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