Métodos baseados em grafos consistem em uma poderosa forma de representação e abstração de dados que proporcionam, dentre outras vantagens, representar relações topológicas, visualizar estruturas, representar grupos de dados com formatos distintos, bem como, fornecer medidas alternativas para caracterizar os dados. Esse tipo de abordagem tem sido cada vez mais considerada para solucionar problemas de aprendizado de máquina, principalmente no aprendizado não supervisionado, como agrupamento de dados, e mais recentemente, no aprendizado semissupervisionado. No aprendizado supervisionado, por outro lado, o uso de algoritmos baseados em grafos ainda tem sido pouco explorado na literatura. Este trabalho apresenta um algoritmo não paramétrico baseado em grafos para problemas de classificação com distribuição estacionária, bem como sua extensão para problemas que apresentam distribuição não estacionária. O algoritmo desenvolvido baseia-se em dois conceitos, a saber, 1) em uma estrutura chamada grafo K-associado ótimo, que representa o conjunto de treinamento como um grafo esparso e dividido em componentes; e 2) na medida de pureza de cada componente, que utiliza a estrutura do grafo para determinar o nível de mistura local dos dados em relação às suas classes. O trabalho também considera problemas de classificação que apresentam alteração na distribuição de novos dados. Este problema caracteriza a mudança de conceito e degrada o desempenho do classificador. De modo que, para manter bom desempenho, é necessário que o classificador continue aprendendo durante a fase de aplicação, por exemplo, por meio de aprendizado incremental. Resultados experimentais sugerem que ambas as abordagens apresentam vantagens na classificação de dados em relação aos algoritmos testados / Graph-based methods consist in a powerful form for data representation and abstraction which provides, among others advantages, representing topological relations, visualizing structures, representing groups of data with distinct formats, as well as, supplying alternative measures to characterize data. Such approach has been each time more considered to solve machine learning related problems, mainly concerning unsupervised learning, like clustering, and recently, semi-supervised learning. However, graph-based solutions for supervised learning tasks still remain underexplored in literature. This work presents a non-parametric graph-based algorithm suitable for classification problems with stationary distribution, as well as its extension to cope with problems of non-stationary distributed data. The developed algorithm relies on the following concepts, 1) a graph structure called optimal K-associated graph, which represents the training set as a sparse graph separated into components; and 2) the purity measure for each component, which uses the graph structure to determine local data mixture level in relation to their classes. This work also considers classification problems that exhibit modification on distribution of data flow. This problem qualifies concept drift and worsens any static classifier performance. Hence, in order to maintain accuracy performance, it is necessary for the classifier to keep learning during application phase, for example, by implementing incremental learning. Experimental results, concerning both algorithms, suggest that they had presented advantages over the tested algorithms on data classification tasks

Les processus hydrodynamiques et sédimentaires subtidaux sont étudiés en Manche au niveau du détroit du Pas-de-Calais et de son littoral méridional, et de la Mer d'Iroise et de la Baie de Douarnenez, à travers diverses modalités d'influence de l'hétérogénéité spatiale des sédiments de fond, de la houle via son interaction avec le courant en couche limite de fond et du vent. Une procédure nouvelle d'interpolation spatiale des distributions granulométriques permet de respecter l'hétérogénéité du substrat. L'approche méthodologique combine et confronte mesures de terrain et modélisation numérique. La modélisation, couplant des codes de circulation 3D (COHERENS) et de propagation de houle (SWAN), incorpore des modules de transport sédimentaire non-cohésif multiclasse, un module spécifique d'interaction houle-courant et diverses paramétrisations liées aux rides sableuses de fond (géométrie, coefficient de frottement), ainsi qu'un calcul optimisé du dépôt à l'interface eau-sédiment. La comparaison des prédictions numériques aux mesures recueillies le long du littoral méridional du détroit du Pas-de-Calais montre les interactions entre la bande littorale de sables fins envasés et la variabilité spatio-temporelle de l'hydrodynamique en conditions de courant de marée seul et superposé à une houle de Nord. La modélisation est ensuite appliquée à l'ensemble de la Manche orientale et centrale. En Baie de Douarnenez, l'analyse locale débouche sur une modélisation des influences respectives des courants de marée seuls, d'une houle de tempête superposée aux courants de marée et du vent. Enfin, une étude théorique des effets d'un cap sur la formation des bancs en drapeau est présentée.