{"id":3186,"date":"2018-01-19T10:35:38","date_gmt":"2018-01-19T09:35:38","guid":{"rendered":"http:\/\/wp.unil.ch\/geoblog\/?p=3186"},"modified":"2018-06-22T14:03:25","modified_gmt":"2018-06-22T12:03:25","slug":"environmental-data-mining-using-machine-learning-algorithms-methodological-developments-and-case-studies","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2018\/01\/environmental-data-mining-using-machine-learning-algorithms-methodological-developments-and-case-studies\/","title":{"rendered":"Environmental Data Mining using Machine Learning Algorithms: Methodological Developments and Case Studies"},"content":{"rendered":"

Th\u00e8se soutenue par Michael LEUENBERGER, le 19 janvier 2018, Institut des dynamiques de la surface terrestre (IDYST)<\/em><\/p>\n

En raison de la grande quantit\u00e9 et de la complexit\u00e9 des donn\u00e9es disponibles de nos jours dans les domaines des g\u00e9osciences et des sciences de l\u2019environnement, nous sommes conf\u00efont\u00e9s \u00e0 la n\u00e9cessit\u00e9 de d\u00e9velopper et d’int\u00e9grer des m\u00e9thodes plus robustes et efficaces pour analyser, mod\u00e9liser et visualiser ces donn\u00e9es.<\/p>\n

Une partie importante de ces d\u00e9veloppements passe par l’\u00e9laboration et la mise en application de m\u00e9thodologies coh\u00e9rentes qui doivent prendre en compte l’ensemble du processus de mod\u00e9lisation (de la r\u00e9colte des donn\u00e9es jusqu’\u00e0 la justification des r\u00e9sultats). Les progr\u00e8s fondamentaux ayant r\u00e9cemment eu lieu dans le domaine des apprentissages automatiques (machine learning) contribuent \u00e0 l’\u00e9mergence du domaine appel\u00e9 environmental data science.<\/p>\n

Le principal objectif de cette th\u00e8se est essentiellement bas\u00e9 sur le d\u00e9veloppement de m\u00e9thodologies coh\u00e9rentes utilisant les algorithmes d’apprentissage automatiques pour l’analyse des ph\u00e9nom\u00e8nes environnementaux. En particulier, cette th\u00e8se fournit une vue d’ensemble des algorithmes d’apprentissage automatique pour les t\u00e2ches d’extraction d’informations contenues dans les donn\u00e9es r\u00e9colt\u00e9es.<\/p>\n

Elle met en \u00e9vidence et examine les diff\u00e9rents probl\u00e8mes qui surviennent lors de l’application de telles m\u00e9thodes sur des donn\u00e9es qui peuvent \u00eatre complexes et contenir un nombre important d’informations. Dans cette optique, plusieurs sujets majeurs en relation avec les algorithmes d’apprentissage automatique sont discut\u00e9s, tels que l’analyse de la complexit\u00e9, l’\u00e9valuation des erreurs et la quantification des incertitudes des mod\u00e8les g\u00e9n\u00e9r\u00e9s.<\/p>\n

De plus, une attention toute particuli\u00e8re est faite au mod\u00e8le appel\u00e9 Extreme Learning Machine (ELM). Cet algorithme bas\u00e9 sur les r\u00e9seaux de neurones artificiels permet des r\u00e9sultats rapides et pr\u00e9cis pour la mod\u00e9lisation de ph\u00e9nom\u00e8nes environnementaux.<\/p>\n

Ainsi, une partie de cette th\u00e8se a pour objectif d’int\u00e9grer et d’exploiter au maximum les diff\u00e9rentes facult\u00e9s de cet algorithme dans le but d’apporter une compr\u00e9hension d\u00e9taill\u00e9e du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. A cet \u00e9gard, le th\u00e8me principal de cette th\u00e8se est ax\u00e9 sur le d\u00e9veloppement de m\u00e9thodologies coh\u00e9rentes pour l’analyse de ph\u00e9nom\u00e8nes environnementaux avec l’aide des algorithmes d’apprentissage automatique. Une mise en application des m\u00e9thodologies et m\u00e9thodes d\u00e9velopp\u00e9es dans cette recherche a \u00e9t\u00e9 r\u00e9alis\u00e9e sur des donn\u00e9es simul\u00e9es ainsi que sur des donn\u00e9es r\u00e9elles de ph\u00e9nom\u00e8nes tels que les feux de for\u00eats, la pollution et les champs du vent.<\/p>\n","protected":false},"excerpt":{"rendered":"

Th\u00e8se soutenue par Michael LEUENBERGER, le 19 janvier 2018, Institut des dynamiques de la surface terrestre (IDYST) En raison de la grande quantit\u00e9 et de la complexit\u00e9 des donn\u00e9es disponibles de nos jours dans les domaines des g\u00e9osciences et des sciences de l\u2019environnement, nous sommes conf\u00efont\u00e9s \u00e0 la n\u00e9cessit\u00e9 de d\u00e9velopper et d’int\u00e9grer des m\u00e9thodes […]<\/p>\n","protected":false},"author":47,"featured_media":3358,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[49465],"tags":[],"class_list":{"0":"post-3186","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-theses-soutenues"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/3186","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=3186"}],"version-history":[{"count":0,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/3186\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/3358"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=3186"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=3186"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=3186"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}