1000 resultados para Methodes du second ordre
Resumo:
Mode of access: Internet.
Resumo:
Mode of access: Internet.
Resumo:
Available on demand as hard copy or computer file from Cornell University Library.
Resumo:
Mode of access: Internet.
Resumo:
Contiene: T. 1e (IV, 333 p., 13 h. de grab.) -- T. 2.
Resumo:
Mode of access: Internet.
Resumo:
Théâtre du premier ordre: t. 1-4, P. Corneille.--t. 5. Th. Corneille.--t.6-10, Racine.--t. 11-13, Crébillon.--t. 14-17, Voltaire.--t. 18-23, Molière, t. 24-27, Regnard. Théâtre du second ordre: t. 28-34, Tragédies I-VII.--t.35-51, Comédies en verse, I-XVII, t.52-65, Comédies en prose, I-XIV.--t.66-67, Drames I-II.
Resumo:
Vols. 68-99 called also "seconde série,".
Resumo:
Imperfect: v. 13 containing the 3d vol. of the tragedies by Crébillon wanting. The present set has in its place: Œuvrres de Crébillon, t. III. Paris, Stéréotype d'Herhan. XI=1802, lettered uniformly with the set: Théâtre français 13 (Crébillon 3.--v.67 containing the Table générale is also wanting.
Resumo:
Mode of access: Internet.
Resumo:
Mode of access: Internet.
Resumo:
Mode of access: Internet.
Resumo:
Vol. 68-99 called 2. série, with duplicate volume numbering from 1-32.
Resumo:
Cette thèse est constituée de deux parties : Dans la première partie nous étudions l’existence de solutions périodiques, de periode donnée, et à variations bornées, de l’équation de van der Pol en présence d’impulsions. Nous étudions, en premier, le cas où les impulsions ne dépendent pas de l’état. Ensuite, nous considèrons le cas où les impulsions dépendent de la moyenne de l’état et enfin, nous traitons le cas général où les impulsions dépendent de l’état. La méthode de résolution est basée sur le principe de point fixe de type contraction. Nous nous intéressons ensuite à l’étude d’un problème avec trois points aux limites, associé à certaines équations différentielles impulsives du second ordre. Nous obtenons un premier résultat d’existence de solutions en appliquant le théorème de point fixe de Schaefer. Un deuxième résultat est obtenu en utilisant le théorème de point fixe de Sadovskii. Pour le résultat d’unicité des solutions nous appliquons, enfin, un théorème de point fixe de type contraction. La deuxième partie est consacrée à la justification de la technique de moyennisation dans le cadre des équations différentielles floues. Les conditions sur les données que nous imposons sont moins restrictives que celles de la littérature.
Resumo:
L'apprentissage profond est un domaine de recherche en forte croissance en apprentissage automatique qui est parvenu à des résultats impressionnants dans différentes tâches allant de la classification d'images à la parole, en passant par la modélisation du langage. Les réseaux de neurones récurrents, une sous-classe d'architecture profonde, s'avèrent particulièrement prometteurs. Les réseaux récurrents peuvent capter la structure temporelle dans les données. Ils ont potentiellement la capacité d'apprendre des corrélations entre des événements éloignés dans le temps et d'emmagasiner indéfiniment des informations dans leur mémoire interne. Dans ce travail, nous tentons d'abord de comprendre pourquoi la profondeur est utile. Similairement à d'autres travaux de la littérature, nos résultats démontrent que les modèles profonds peuvent être plus efficaces pour représenter certaines familles de fonctions comparativement aux modèles peu profonds. Contrairement à ces travaux, nous effectuons notre analyse théorique sur des réseaux profonds acycliques munis de fonctions d'activation linéaires par parties, puisque ce type de modèle est actuellement l'état de l'art dans différentes tâches de classification. La deuxième partie de cette thèse porte sur le processus d'apprentissage. Nous analysons quelques techniques d'optimisation proposées récemment, telles l'optimisation Hessian free, la descente de gradient naturel et la descente des sous-espaces de Krylov. Nous proposons le cadre théorique des méthodes à région de confiance généralisées et nous montrons que plusieurs de ces algorithmes développés récemment peuvent être vus dans cette perspective. Nous argumentons que certains membres de cette famille d'approches peuvent être mieux adaptés que d'autres à l'optimisation non convexe. La dernière partie de ce document se concentre sur les réseaux de neurones récurrents. Nous étudions d'abord le concept de mémoire et tentons de répondre aux questions suivantes: Les réseaux récurrents peuvent-ils démontrer une mémoire sans limite? Ce comportement peut-il être appris? Nous montrons que cela est possible si des indices sont fournis durant l'apprentissage. Ensuite, nous explorons deux problèmes spécifiques à l'entraînement des réseaux récurrents, à savoir la dissipation et l'explosion du gradient. Notre analyse se termine par une solution au problème d'explosion du gradient qui implique de borner la norme du gradient. Nous proposons également un terme de régularisation conçu spécifiquement pour réduire le problème de dissipation du gradient. Sur un ensemble de données synthétique, nous montrons empiriquement que ces mécanismes peuvent permettre aux réseaux récurrents d'apprendre de façon autonome à mémoriser des informations pour une période de temps indéfinie. Finalement, nous explorons la notion de profondeur dans les réseaux de neurones récurrents. Comparativement aux réseaux acycliques, la définition de profondeur dans les réseaux récurrents est souvent ambiguë. Nous proposons différentes façons d'ajouter de la profondeur dans les réseaux récurrents et nous évaluons empiriquement ces propositions.