Please enable JavaScript.

Coggle requires JavaScript to display documents.

sujet : Un cadre formel pour les réseaux de neurones artificiels appliqués…

- - - - Définissez les contours de votre état de l'art
        
        Une question spécifique requiert un tableau
        
        Mon question spécifique "Quels sont les travaux antérieurs sur la modélisation et la formalisation des réseaux de neurones artificiels appliqués à l'apprentissage automatique profond, en mettant l'accent sur les techniques d'IDM et les méthodes formelles ?"
        
        Mots clés : ANN, Deep learning, Méta-modélisation, Méthodes formelles
    - - Sélectionner les études à analyser par la méthode du tableau
        
        consiste à sélectionner les études à analyser en effectuant une recherche bibliographique
        
        Interroger différents moteurs de recherche et bases de données spécialisées pour identifier les articles pertinents en lien avec le sujet de recherche et la question scientifique formulée.
        
        Utilisez des mots-clés précis
        
        Utilisez plusieurs sources(les bases de données en ligne, les bibliothèques universitaires, les revues spécialisées, etc)
        
        Utilisez des filtres de recherche(par exemple, article de recherche ou revue systématique)
        
        Évaluez la qualité scientifiqu
        
        Lisez les résumés et les introductions
    - - Classer les études sélectionnées
        
        vous pouvez utiliser des critères tels que la date de publication, la qualité de la recherche, la pertinence par rapport à votre sujet, etc.( les articles utiles pour votre sujet)
        
        [3] Gustavo Santos-Garcia & al.”Rewriting Logic using Strategies for Neural Networks: an Implementation in Maude*”, In book: International Symposium on Distributed Computing and Artificial Intelligence 2008 (DCAI 2008) (pp.424-433).
        
        [4] XiaojieGuo & al, “Graph Neural Networks: Graph Transformation“, in book: Graph Neural Networks: Foundations, Frontiers, and Applications 2022 (pp.251-275).
        
        [2] Julien Girard-Satabin. “Verification and validation of Machine Learning techniques.artificial
        Intelligence [cs.AI]. Université Paris-Saclay, 2021.
        
        [5] Michael R Berthold and Ingrid Fischer, “Formalizing neural networks using graph transformations”, in proceedings of International Conference on Neural Networks (ICNN'97).
        
        [1] Elisabetta de Maria, Abdorrahim Bahrami, ThibaudL’Yvonnet, Amy Felty, Daniel Gaffé, & al., “On the Use of Formal Methods to Model and Verify Neuronal Archetypes. Frontiers of Computer Science, Springer Verlag, 2021, 16, pp.28.
        
        [6] Thomas Hartmann& al, “Meta-Modelling Meta-Learning”, 2019 ACM/IEEE 22nd International Conference on Model Driven Engineering Languages and Systems (MODELS)
    - - Remplissez votre tableau
        
        Un exemple de remplissage du tableau pour un article :
        
        Auteur(s) | Titre | Année | Journal/Conférence | Objectifs de l'étude | Méthode(s) utilisée(s) | Résultats clés | Limitations | Commentaires et discussions
        
        ---|---|---|---|---|---|---|---|---
        
        Smith, J. et al. | "Deep Learning for Image Recognition" | 2018 | IEEE Conference on Computer Vision and Pattern Recognition (CVPR) | Évaluer l'efficacité des réseaux de neurones profonds pour la reconnaissance d'images. | Réseaux de neurones profonds (CNN) avec des techniques de prétraitement d'image. | Les résultats montrent que les réseaux de neurones profonds surpassent les méthodes traditionnelles pour la reconnaissance d'images. Les réseaux de neurones profonds peuvent également être utilisés pour des tâches telles que la segmentation d'image et la détection d'objet. | Les limitations incluent le besoin d'un grand ensemble de données annotées pour l'apprentissage en profondeur et le temps nécessaire à l'entraînement des modèles. | Cette étude est pertinente pour notre propre travail car nous cherchons également à utiliser des réseaux de neurones profonds pour la reconnaissance d'images dans notre application. Cependant, nous devrons prendre en compte les limitations identifiées dans cette étude lors du développement de notre propre modèle.
        
        Dans cet exemple, nous avons rempli le tableau avec les informations pertinentes pour l'article "Deep Learning for Image Recognition". Nous avons inclus les noms des auteurs, le titre de l'article, l'année de publication, le nom de la conférence où l'article a été publié, les objectifs de l'étude, les méthodes utilisées, les résultats clés et les limitations. Nous avons également ajouté des commentaires et des discussions sur la pertinence de cette étude pour notre propre travail.
    - - Définissez le contenu des colonnes de votre tableau
        
        Les colonnes peuvent inclure des informations telles que :
        
        Auteur(s) : les noms des auteurs de l'article
        
        Titre : le titre de l'article
        
        Année : l'année de publication de l'article
        
        Journal/Conférence : le nom du journal ou de la conférence où l'article a été publié
        
        -Objectifs de cette étude
        
        Méthode(s) utilisée(s) : les méthodes utilisées dans l'étude (par exemple, les méthodes formelles, les réseaux de neurones, etc.)
        
        Résultats clés : les résultats clés obtenus dans l'étude
        
        Limitations : les limitations ou les lacunes identifiées dans l'étude
        
        -commentaires et disuccions
    - - Rédiger votre synthèse à l'aide de votre tableau
        
        un exemple de synthèse rédigée à partir d'un tableau :
        
        Tableau : État de l'art sur les méthodes de détection de fraude en ligne
        
        | Auteur | Méthode | Avantages | Limitations |
        
        |--------|---------|-----------|-------------|
        
        | Smith et al. (2015) | Analyse des anomalies | Bonne précision | Peut générer des faux positifs |
        
        | Jones et al. (2016) | Réseaux de neurones artificiels | Bonne précision et capacité d'apprentissage automatique | Nécessite une grande quantité de données pour l'entraînement |
        
        | Lee et al. (2017) | Analyse comportementale basée sur les règles | Facile à mettre en œuvre et à comprendre | Peut manquer des fraudes sophistiquées |
        
        Synthèse :
        
        L'état de l'art sur les méthodes de détection de fraude en ligne montre que plusieurs approches ont été utilisées pour résoudre ce problème. L'analyse des anomalies est une méthode courante qui a montré une bonne précision, mais peut générer des faux positifs. Les réseaux de neurones artificiels sont également efficaces pour détecter la fraude en ligne grâce à leur capacité d'apprentissage automatique, mais nécessitent une grande quantité de données pour l'entraînement. Enfin, l'analyse comportementale basée sur les règles est facile à mettre en œuvre et à comprendre, mais peut manquer des fraudes sophistiquées. En conclusion, il n'y a pas de méthode unique qui convient parfaitement à tous les cas, mais plutôt un choix à faire en fonction des avantages et des limites de chaque méthode pour chaque cas particulier.
- - - - Diagramme Statique
      - Montre la structure interne du système
      - Fournit une représentation abstraite des objets du système qui vont interagir pour réaliser les cas d'utilisations
      - Permet de modéliser les classes du système et leurs relations indépendamment d'un langage de programmation particulier
      - Concepts
        
        Attributs
        
        Opérations
        
        Stéréotypes(regrouper les classes)
        
        Associations
        
        Compositions
        
        Qualifiés
        
        Aggrégations
        
        Réflexives
        
        Simple
        
        Relations de Généralisation/ Spécialisation(Héritage)
    - - Le premier diagramme du modèle UML
      - Permet de mieux exprimer les fonctionnalités du sytème
      - Il se base sur les entretiens avec les clients
      - Représente la structure des grandes fonctionnalités nécessaires aux utilisateurs du système
      - Intérêts dece diag
        
        Utilisés par les utlisateurs finaux pour exprimer leur attentes et leurs besoins
        
        C'est un excellent outil qui va peremettre de contacter avec l'utilisateur finaaux
        
        Un très bon outil pour les communications
        
        Constituent une base pour les tests fonctionnels
      - Eléments du diag des CU
        
        Frontière du système
        
        Schématiser par une rectangle
        
        Acteur
        
        Entité extérieur à système et qui à interagit avec le système
        
        C'est un rôle, pas une personne physique
        
        Les acteurs peuvent être:-Utilisateurs du systèmes / Des logiciels /des systèmes informatiques externes
        
        2 types d'acteurs
        
        Acteurs principaux
        
        Utilise le système directement ( Retirer argent)
        
        Tous qui est acteur principale on le met à gauche du système
        
        Acteurs secondaires
        
        Pas utiliser directement le système, mais il va participer chaque fois qu'n besoin de lui( pour retirer argent nous avons besoins de système de votre banque)
        
        Tous qui est acteur secondaire on le met à droite du système
        
        Cas d'utilisation
        
        C'est un service/ fonctionnalité du système
        
        Tous qui est à l'intérieur de ce système en train de développer et tous qui est extérieur c'est l'environnement de notre système ( acteurs/systèmes/..)
        
        Relations
        
        Relations entre acteurs
        
        Une seule type de relation : Généralisation (Heritage)
        
        Relations entre cas d'utilisations
        
        Inclusion "Include"
        
        Exeple : A include B ca veut dire que A toujours contient B/ exple: pour passer commande il faut obligatoirement s'authentifier dans un système / et le sens de flèche vers cas d'utilisation inclus
        
        "Extension" Extend
        
        Exple: B extend A ca veut dire on va faire A mais B on peut le faire comme on peut le pas faire(pas obligation) Exple: B "Consulter articles"
        <---- Passer commandes "A" /et le sens de flèche vers cas d'utilisation de base
        
        Généralisation Héritage entre 2 cas d'utilisations ( il va hériter tous les relations de cas d'utilisation héritée)
  - - - Concepts
        
        Départ et Fin
        
        Acions
        
        Transitions
        
        Normal
        
        Convergence
        
        Itérations
        
        Parallélisme(Fork)
        
        Synchronisation (Join)
        
        Activité
        
        Object Node (flux d'objet)
        
        Fin Locale
        
        Evénements
        
        Partitions (Swimlanes)
        
        shématiser un objet avec un rectangle
        
        schématiser un événement en flux
      - Aspect dynamique
      - Modéliser un processus métier/ use case
  - - - Diagrammes de classes logiciel( à partir de cela on peut générer le code et le BD)
      - Diagrammes de séquence( trouver les objets que nous l'utilisons pour notre app)
      - Diagrammes de communication
    - - Diagrammes d'activités ( décrire le processus métier de système)
      - Diagramme de cas d'utilisation métier ((business use case)
        cas d'utilisation pour processus métier ( exemple processus 1/ processus2)
        donc pour chaque processus je peux ajouter un diag d'activité
    - - Analyse de sytème + Structure de Système
        
        Diagramme de classes d'Analyse
        
        Diagrammes de séquence pour décrire le traitement de système
        
        Diagramme d'Etat Transition pour des objets de système
    - - Diagramme de composant
      - Diagramme de déploiement
    - - Diagrammes de Cas d'utlisation (Générale et Détaillées)