國立虎尾科技大學 |

Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents = = Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.

Record Type:	Language materials, manuscript : Monograph/item
Title/Author:	Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents =/
Reminder of title:	Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
remainder title:	Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
Author:	Brondon Styve, Tchamba Kuinze.
Description:	1 online resource (141 pages)
Notes:	Source: Masters Abstracts International, Volume: 85-11.
Contained By:	Masters Abstracts International85-11.
Subject:	Computer science. -
Online resource:	click for full text (PQDT)
ISBN:	9798382564609

Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents = = Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
Brondon Styve, Tchamba Kuinze.

Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents =Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes. - 1 online resource (141 pages)

Source: Masters Abstracts International, Volume: 85-11.

Thesis (M.Sc.)--Universite du Quebec a Chicoutimi (Canada), 2024.

Includes bibliographical references

Ce memoire se penche sur la comparaison de l'efficacite du Deep Learning (DL), tel qu'illustre dans la litterature existante, avec celle de l'apprentissage automatique classique (ML) que nous avons personnellement developpe, dans le domaine de la reconnaissance d'activites humaines dans les habitats intelligents. L'etude se concentre sur l'analyse critique des performances des methodes de deep learning, basee sur des recherches anterieures, et les compare avec les resultats obtenus par les techniques traditionnelles de machine learning que nous avons developpe.L'introduction presente un apercu des principes fondamentaux de l'intelligence artificielle, l'evolution du ML et du DL, et leur application dans les habitats intelligents. Le memoire aborde egalement les defis et enjeux associes a ces technologies, notamment en termes de complexite et de ressources necessaires.La methodologie adoptee dans ce travail repose sur une revue approfondie de la litterature sur les applications du DL dans la reconnaissance d'activites humaines, ainsi que sur le developpement et l'optimisation des modeles de ML classiques. Une attention particuliere est accordee a l'optimisation des hyperparametres pour ameliorer la performance de ces modeles.Cette analyse est axee sur la comparaison directe de l'efficacite des methodes de deep learning, telles qu'elles sont documentees dans la litterature existante, avec celle des techniques d'apprentissage automatique classique que nous avons developpees. L'objectif est de determiner dans quelle mesure le deep learning, souvent percu comme plus avance, se distingue reellement en termes d'efficacite par rapport a l'apprentissage automatique classique, en se concentrant specifiquement sur les applications dans les habitats intelligents. Cette approche vise a eclairer la question cruciale de savoir si l'adoption du deep learning est systematiquement justifiee, ou si, dans certains cas, les methodes traditionnelles de machine learning peuvent s'averer tout aussi efficaces.Le memoire conclut sur une synthese des decouvertes, mettant en lumiere les forces et les faiblesses de chaque approche. Il offre egalement une perspective critique sur l'applicabilite du DL par rapport au ML classique dans les habitats intelligents et propose des recommandations pour des recherches futures, basees sur les resultats obtenus.

Electronic reproduction.
Ann Arbor, Mich. :
ProQuest,
2024

Mode of access: World Wide Web

ISBN: 9798382564609Subjects--Topical Terms:

573171
Computer science.
Subjects--Index Terms:

Apprentissage automatiqueIndex Terms--Genre/Form:

554714
Electronic books.

Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents = = Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
LDR:06325ntm a22004697 4500 001 1146716
005 20240812064721.5
006 m o d
007 cr bn ---uuuuu
008 250605s2024 xx obm 000 0 fre d
020 $a 9798382564609
035 $a (MiAaPQ)AAI31296153
035 $a AAI31296153
040 $a MiAaPQ $b eng $c MiAaPQ $d NTU
100 1 $a Brondon Styve, Tchamba Kuinze. $3 1472170
245 1 0 $a Comparaison de l'efficacite du deep learning et de l'apprentissage automatique classique pour la reconnaissance d'activites humaine dans les habitats intelligents = $b Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
246 3 1 $a Comparison of the Effectiveness of Deep Learning and Classic Machine Learning for Recognizing Human Activities in Smart Homes.
264 0 $c 2024
300 $a 1 online resource (141 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 85-11.
500 $a Advisor: Bouchard, Kevin.
502 $a Thesis (M.Sc.)--Universite du Quebec a Chicoutimi (Canada), 2024.
504 $a Includes bibliographical references
520 $a Ce memoire se penche sur la comparaison de l'efficacite du Deep Learning (DL), tel qu'illustre dans la litterature existante, avec celle de l'apprentissage automatique classique (ML) que nous avons personnellement developpe, dans le domaine de la reconnaissance d'activites humaines dans les habitats intelligents. L'etude se concentre sur l'analyse critique des performances des methodes de deep learning, basee sur des recherches anterieures, et les compare avec les resultats obtenus par les techniques traditionnelles de machine learning que nous avons developpe.L'introduction presente un apercu des principes fondamentaux de l'intelligence artificielle, l'evolution du ML et du DL, et leur application dans les habitats intelligents. Le memoire aborde egalement les defis et enjeux associes a ces technologies, notamment en termes de complexite et de ressources necessaires.La methodologie adoptee dans ce travail repose sur une revue approfondie de la litterature sur les applications du DL dans la reconnaissance d'activites humaines, ainsi que sur le developpement et l'optimisation des modeles de ML classiques. Une attention particuliere est accordee a l'optimisation des hyperparametres pour ameliorer la performance de ces modeles.Cette analyse est axee sur la comparaison directe de l'efficacite des methodes de deep learning, telles qu'elles sont documentees dans la litterature existante, avec celle des techniques d'apprentissage automatique classique que nous avons developpees. L'objectif est de determiner dans quelle mesure le deep learning, souvent percu comme plus avance, se distingue reellement en termes d'efficacite par rapport a l'apprentissage automatique classique, en se concentrant specifiquement sur les applications dans les habitats intelligents. Cette approche vise a eclairer la question cruciale de savoir si l'adoption du deep learning est systematiquement justifiee, ou si, dans certains cas, les methodes traditionnelles de machine learning peuvent s'averer tout aussi efficaces.Le memoire conclut sur une synthese des decouvertes, mettant en lumiere les forces et les faiblesses de chaque approche. Il offre egalement une perspective critique sur l'applicabilite du DL par rapport au ML classique dans les habitats intelligents et propose des recommandations pour des recherches futures, basees sur les resultats obtenus.
520 $a This dissertation delves into comparing the efficacy of deep learning (DL), as illustrated in existing literature, with that of classical machine learning (ML) techniques that we have personally developed in the domain of human activity recognition in smart habitats. The study focuses on a critical analysis of the performance of DL methods, based on prior research, and compares them with the results obtained from traditional ML techniques that we have implemented.The introduction presents an overview of the fundamental principles of AI, the evolution of ML and DL, and their application in smart habitats. The dissertation also addresses the challenges and issues associated with these technologies, particularly in terms of complexity and the resources required.The methodology adopted in this work is based on an extensive review of the literature on DL applications in human activity recognition, as well as on the development and optimization of classical ML models. Special attention is paid to the optimization of hyperparameters to enhance the performance of these models.This analysis is centered on a direct comparison of the efficacy of deep learning methods, as documented in the existing literature, with that of classical machine learning techniques that we have developed. The objective is to determine to what extent deep learning, often perceived as more advanced, truly stands out in terms of efficacy compared to classical machine learning, specifically focusing on applications in smart habitats. This approach aims to shed light on the crucial question of whether the adoption of deep learning is systematically justified, or if, in some cases, traditional machine learning methods can prove to be just as effective.The dissertation concludes with a synthesis of the findings, highlighting the strengths and weaknesses of each approach. It also offers a critical perspective on the applicability of DL compared to classical ML in smart habitats and proposes recommendations for future research based on the results obtained.
533 $a Electronic reproduction. $b Ann Arbor, Mich. : $c ProQuest, $d 2024
538 $a Mode of access: World Wide Web
650 4 $a Computer science. $3 573171
650 4 $a Computer engineering. $3 569006
650 4 $a Information technology. $3 559429
653 $a Apprentissage automatique
653 $a Comparaison d'efficacite
653 $a Deep learning
653 $a Habitats intelligents
653 $a Reconnaissance d'activites humaines
653 $a Machine learning
653 $a Human activity recognition
653 $a Smart habitats
655 7 $a Electronic books. $2 local $3 554714
690 $a 0984
690 $a 0464
690 $a 0489
690 $a 0800
710 2 $a ProQuest Information and Learning Co. $3 1178819
710 2 $a Universite du Quebec a Chicoutimi (Canada). $b Informatique et mathematique. $3 1472171
773 0 $t Masters Abstracts International $g 85-11.
856 4 0 $u http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=31296153 $z click for full text (PQDT)