77 resultados para Graphes de Cayley
Resumo:
At head of title: Ministère du commerce, de l'industrie, des postes et des télégraphes. Exposition universelle internationale de 1900. Direction générale de l'exploitation. Congrès international de bibliographie tenu à Paris du 16 au 18 août 1900.
Resumo:
pt.1. Hebrew authority, by S. R. Driver.--pt.2. Classical authority: Egypt and Assyria, by F. L. Griffith. Prehistoric Greece, by D. G. Hogarth. Historic Greece, by E. A. Gardner. The Romand world, by F. Haverfield.--pt.3. Christian authority, by A. C. Headlam.
Resumo:
Title from vol. t.p.
Resumo:
At head of title: République Française. Ministère du commerce, de l'industrie, des postes et des télégraphes. Office du travail.
Resumo:
Mode of access: Internet.
Resumo:
First edition published in 1853 under title: Las alforjas.
Resumo:
At head of title: Ministère du commerce, de l'industrie, des posted et des télégraphes.
Resumo:
At head of title: République française. Ministère du commerce, de l'industrie, des postes et des télégraphes. Direiction du travail. Service du recensement.
Resumo:
At head of title: Ministère du commerce, de l'industrie des postes et des télégraphes. Exposition universelle internationale de 1900. Direction générale de l'exploitation.
Resumo:
We show how to efficiently simulate a quantum many-body system with tree structure when its entanglement (Schmidt number) is small for any bipartite split along an edge of the tree. As an application, we show that any one-way quantum computation on a tree graph can be efficiently simulated with a classical computer.
Resumo:
∗ Cette recherche a été partiellement subventionnée, en ce qui concerne le premier et le dernier auteur, par la bourse OTAN CRG 960360 et pour le second auteur par l’Action Intégrée 95/0849 entre les universités de Marrakech, Rabat et Montpellier.
Resumo:
Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.
Resumo:
Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.
Resumo:
L’un des problèmes importants en apprentissage automatique est de déterminer la complexité du modèle à apprendre. Une trop grande complexité mène au surapprentissage, ce qui correspond à trouver des structures qui n’existent pas réellement dans les données, tandis qu’une trop faible complexité mène au sous-apprentissage, c’est-à-dire que l’expressivité du modèle est insuffisante pour capturer l’ensemble des structures présentes dans les données. Pour certains modèles probabilistes, la complexité du modèle se traduit par l’introduction d’une ou plusieurs variables cachées dont le rôle est d’expliquer le processus génératif des données. Il existe diverses approches permettant d’identifier le nombre approprié de variables cachées d’un modèle. Cette thèse s’intéresse aux méthodes Bayésiennes nonparamétriques permettant de déterminer le nombre de variables cachées à utiliser ainsi que leur dimensionnalité. La popularisation des statistiques Bayésiennes nonparamétriques au sein de la communauté de l’apprentissage automatique est assez récente. Leur principal attrait vient du fait qu’elles offrent des modèles hautement flexibles et dont la complexité s’ajuste proportionnellement à la quantité de données disponibles. Au cours des dernières années, la recherche sur les méthodes d’apprentissage Bayésiennes nonparamétriques a porté sur trois aspects principaux : la construction de nouveaux modèles, le développement d’algorithmes d’inférence et les applications. Cette thèse présente nos contributions à ces trois sujets de recherches dans le contexte d’apprentissage de modèles à variables cachées. Dans un premier temps, nous introduisons le Pitman-Yor process mixture of Gaussians, un modèle permettant l’apprentissage de mélanges infinis de Gaussiennes. Nous présentons aussi un algorithme d’inférence permettant de découvrir les composantes cachées du modèle que nous évaluons sur deux applications concrètes de robotique. Nos résultats démontrent que l’approche proposée surpasse en performance et en flexibilité les approches classiques d’apprentissage. Dans un deuxième temps, nous proposons l’extended cascading Indian buffet process, un modèle servant de distribution de probabilité a priori sur l’espace des graphes dirigés acycliques. Dans le contexte de réseaux Bayésien, ce prior permet d’identifier à la fois la présence de variables cachées et la structure du réseau parmi celles-ci. Un algorithme d’inférence Monte Carlo par chaîne de Markov est utilisé pour l’évaluation sur des problèmes d’identification de structures et d’estimation de densités. Dans un dernier temps, nous proposons le Indian chefs process, un modèle plus général que l’extended cascading Indian buffet process servant à l’apprentissage de graphes et d’ordres. L’avantage du nouveau modèle est qu’il admet les connections entres les variables observables et qu’il prend en compte l’ordre des variables. Nous présentons un algorithme d’inférence Monte Carlo par chaîne de Markov avec saut réversible permettant l’apprentissage conjoint de graphes et d’ordres. L’évaluation est faite sur des problèmes d’estimations de densité et de test d’indépendance. Ce modèle est le premier modèle Bayésien nonparamétrique permettant d’apprendre des réseaux Bayésiens disposant d’une structure complètement arbitraire.