Dépôt DSpace/Université Larbi Tébessi-Tébessa

CAPACité de«DeepLEARning»A prédire les cHAOs dANS un système cHAOtique

Afficher la notice abrégée

dc.contributor.author Bendib, Islem
dc.date.accessioned 2022-03-09T10:11:08Z
dc.date.available 2022-03-09T10:11:08Z
dc.date.issued 2020
dc.identifier.uri http//localhost:8080/jspui/handle/123456789/1895
dc.description.abstract Il y a un siècle déjà, les pionniers de la théorie du chaos ont découvert que « l’effet papillon » rend la prédiction à long terme impossible. Même la plus petite perturbation dans un système complexe (comme la météo, l'économie ou à peu près tout le reste) peut déclencher une concaténation d'événements conduisant à un avenir dramatiquement divergent. Incapables d’établir l’état de ces systèmes avec suffisamment de précision pour prédire comment ils se déroulent, nous vivons dans un voile d’incertitude. Le deeplearning ou apprentissage profond est une technique informatique à la base des récents succès en intelligence artificielle - pour prédire l'évolution future de systèmes chaotiques à des horizons lointains. Des experts externes ont qualifié cette approche d’innovante et susceptible de trouver une large application. Le travail de ce projet de master vise à impliquer l’apprentissage profond dans le processus de prédiction de chaos dans les différents types de systèmes dynamiques afin de pouvoir éviter des catastrophes qui peuvent venir. en_US
dc.description.sponsorship Derdour Makhlouf en_US
dc.language.iso fr en_US
dc.publisher Universite laarbi tebessi tebessa en_US
dc.subject Chaos, Système dynamique, Equations différentielles, Long Short-TermMemory, RNN, Attracteur de Lorenz, CNN, jeux d’échecs, non equilibruim. en_US
dc.title CAPACité de«DeepLEARning»A prédire les cHAOs dANS un système cHAOtique en_US
dc.type Thesis en_US


Fichier(s) constituant ce document

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée