{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2987"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2987","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Identification des dialectes arabes avec la sélection dynamique de classifieurs","abstract":"Ce mémoire concerne la tâche de l’identification de dialectes arabes encore irrésolue en raison de la similarité élevée entre ces dialectes. On mène les expériences sur un petit et un gros corpus. La principale nouveauté du mémoire est l’utilisation de la sélection dynamique qui n’a jamais servie à identifier des langues à notre connaissance. La sélection dynamique permet de choisir un ou plusieurs classificateurs pour chaque observation à classifier. On veut connaître son potentiel pour la tâche présente. Ce mémoire propose aussi d’améliorer les résultats de deux façons. D’abord, on utilise l’apprentissage par transfert pour améliorer les résultats du petit corpus à l’aide du gros. Ensuite, on utilise l’apprentissage de métriques profond en changeant la fonction de coût traditionnel softmax par des triplets, car on pense que cela aura un impact positif sur la sélection dynamique. Les résultats ont montré que la sélection dynamique a du potentiel pour cette tâche même si on l’a sous-exploitée, car on a obtenu des résultats comparables à ceux des meilleures équipes ayant travaillé sur ces corpus. Des futurs travaux devront trouver une métrique de distance adaptée au problème et rendre les classificateurs plus diversifiés. On a aussi noté que l’apprentissage par transfert a beaucoup contribué à l’amélioration du petit corpus alors qu’on a des résultats mitigés avec l’apprentissage de métriques profond.","abstract_html":"Ce mémoire concerne la tâche de l’identification de dialectes arabes encore irrésolue en raison de la similarité élevée entre ces dialectes. On mène les expériences sur un petit et un gros corpus. La principale nouveauté du mémoire est l’utilisation de la sélection dynamique qui n’a jamais servie à identifier des langues à notre connaissance. La sélection dynamique permet de choisir un ou plusieurs classificateurs pour chaque observation à classifier. On veut connaître son potentiel pour la tâche présente. Ce mémoire propose aussi d’améliorer les résultats de deux façons. D’abord, on utilise l’apprentissage par transfert pour améliorer les résultats du petit corpus à l’aide du gros. Ensuite, on utilise l’apprentissage de métriques profond en changeant la fonction de coût traditionnel softmax par des triplets, car on pense que cela aura un impact positif sur la sélection dynamique. Les résultats ont montré que la sélection dynamique a du potentiel pour cette tâche même si on l’a sous-exploitée, car on a obtenu des résultats comparables à ceux des meilleures équipes ayant travaillé sur ces corpus. Des futurs travaux devront trouver une métrique de distance adaptée au problème et rendre les classificateurs plus diversifiés. On a aussi noté que l’apprentissage par transfert a beaucoup contribué à l’amélioration du petit corpus alors qu’on a des résultats mitigés avec l’apprentissage de métriques profond.","abstract_has_math":false,"creators":["Thibault, Pierre-Marc"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022-01-20","date_published":"2022-01-20","updated_at":"2026-11-18T22:09:14Z","subjects":["arabic-dialect-identification, deep-metric-learning, transfer-learning, dynamic-selection, classification"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2987"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2987","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2987/1/THIBAULT_Pierre_Marc.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2987","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Thibault, Pierre-Marc"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022-01-20"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["arabic-dialect-identification, deep-metric-learning, transfer-learning, dynamic-selection, classification"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2987","https://espace.etsmtl.ca/id/eprint/2987/1/THIBAULT_Pierre_Marc.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ce mémoire concerne la tâche de l’identification de dialectes arabes encore irrésolue en raison de la similarité élevée entre ces dialectes. On mène les expériences sur un petit et un gros corpus. La principale nouveauté du mémoire est l’utilisation de la sélection dynamique qui n’a jamais servie à identifier des langues à notre connaissance. La sélection dynamique permet de choisir un ou plusieurs classificateurs pour chaque observation à classifier. On veut connaître son potentiel pour la tâche présente. Ce mémoire propose aussi d’améliorer les résultats de deux façons. D’abord, on utilise l’apprentissage par transfert pour améliorer les résultats du petit corpus à l’aide du gros. Ensuite, on utilise l’apprentissage de métriques profond en changeant la fonction de coût traditionnel softmax par des triplets, car on pense que cela aura un impact positif sur la sélection dynamique. Les résultats ont montré que la sélection dynamique a du potentiel pour cette tâche même si on l’a sous-exploitée, car on a obtenu des résultats comparables à ceux des meilleures équipes ayant travaillé sur ces corpus. Des futurs travaux devront trouver une métrique de distance adaptée au problème et rendre les classificateurs plus diversifiés. On a aussi noté que l’apprentissage par transfert a beaucoup contribué à l’amélioration du petit corpus alors qu’on a des résultats mitigés avec l’apprentissage de métriques profond."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Identification des dialectes arabes avec la sélection dynamique de classifieurs"]}]}],"canonical_facts":{"dc:creator":["Thibault, Pierre-Marc"],"dc:date":["2022-01-20"],"dc:description":["Ce mémoire concerne la tâche de l’identification de dialectes arabes encore irrésolue en raison de la similarité élevée entre ces dialectes. On mène les expériences sur un petit et un gros corpus. La principale nouveauté du mémoire est l’utilisation de la sélection dynamique qui n’a jamais servie à identifier des langues à notre connaissance. La sélection dynamique permet de choisir un ou plusieurs classificateurs pour chaque observation à classifier. On veut connaître son potentiel pour la tâche présente. Ce mémoire propose aussi d’améliorer les résultats de deux façons. D’abord, on utilise l’apprentissage par transfert pour améliorer les résultats du petit corpus à l’aide du gros. Ensuite, on utilise l’apprentissage de métriques profond en changeant la fonction de coût traditionnel softmax par des triplets, car on pense que cela aura un impact positif sur la sélection dynamique. Les résultats ont montré que la sélection dynamique a du potentiel pour cette tâche même si on l’a sous-exploitée, car on a obtenu des résultats comparables à ceux des meilleures équipes ayant travaillé sur ces corpus. Des futurs travaux devront trouver une métrique de distance adaptée au problème et rendre les classificateurs plus diversifiés. On a aussi noté que l’apprentissage par transfert a beaucoup contribué à l’amélioration du petit corpus alors qu’on a des résultats mitigés avec l’apprentissage de métriques profond."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2987","https://espace.etsmtl.ca/id/eprint/2987/1/THIBAULT_Pierre_Marc.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["arabic-dialect-identification, deep-metric-learning, transfer-learning, dynamic-selection, classification"],"dc:title":["Identification des dialectes arabes avec la sélection dynamique de classifieurs"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:09:14Z"}