Back to search

Université du Québec à Montréal

Développement d'un cadre d'applications pour l'apprentissage machine

Abstract

dc:description.abstract

Grâce à ses résultats spectaculaires dans des tâches de traitement numérique de l’information telles la reconnaissance des formes, le regroupement ou la régression, l’apprentissage automatique a gagné beaucoup en popularité dans des domaines aussi variés que la médecine (reconnaissance de tumeurs cancéreuses), les véhicules autonomes (vision automatique), la gestion de trafic (routier ou dans un réseau de télécommunications) et le marketing (gestion de l’expérience client). Cependant, le bon usage des techniques d’apprentissage machine pour la résolution de problèmes métier est complexe, et nécessite la collaboration d’une personne spécialiste du domaine d’application (par ex. médecine ou marketing) avec une personne spécialiste en apprentissage machine, et ce, pour au minimum : 1) traduire le problème métier en une tâche d’analyse de données; 2) choisir la bonne chaîne de traitement, en fonction de la tâche d’analyse et des caractéristiques des données en question ; 3) choisir les bons algorithmes et techniques pour chaque étape de la chaîne de traitement ; 4) appliquer la chaîne en question sur les données du problème; et 5) interpréter les résultats pour répondre à la question métier initiale. Le but de cette recherche est d’explorer la mesure dans laquelle l’essentiel de l’expertise en sciences de données, nécessaire pour résoudre les problèmes communs en analyse de données, peut être capturée dans un cadre logiciel qui aidera un analyste métier (médecin, ingénieur réseau, analyste marketing) à obtenir une solution raisonnable–pas nécessairement optimale–à son problème. Pour ce faire, nous proposons de recenser et formaliser les connaissances et les bonnes pratiques sousjacentes à la résolution de problèmes communs en analyse de données, et les opérationnaliser dans une chaîne d’outils. Notre résultat est un outil d’aide incrémental, opérationnalisant les trois premières étapes mentionnées ci-dessus avec la capacité de retourner le bon algorithme d’apprentissage basé sur la connaissance recensée à 88.58%, selon nos expérimentations sur un ensemble d’articles utilisant les algorithmes d’apprentissage machine. De plus, les chaînes de traitement retournées ainsi que leurs raffinements sont prometteurs dans le domaine. Un autre outil a également été mis en oeuvre pour recenser les connaissances des experts en ML. Cette contribution a été obtenue après une revue systématique sur les systèmes Auto-ML, les frameworks et les "cheat sheets" existants. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : apprentissage automatique, auto-ML, critères de sélection, type d’apprentissage, framework

Degree

thesis:*
Grantor dc:publisher.institution
Université du Québec à Montréal
Year dc:date.issued
2025

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Saleh, Lokman

Chain of custody

source
Harvested from
UQAM
Base URL
archipel.uqam.ca/cgi/oai2
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
related terms
citation

Saleh, Lokman. Développement d'un cadre d'applications pour l'apprentissage machine. Université du Québec à Montréal, 2025.