{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/6910"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/6910","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"L’estimation de distribution à l'aide d'un autoencodeur","abstract":"Ce mémoire introduit MADE, un nouveau modèle génératif spécifiquement développé pour l’estimation de distribution de probabilité pour données binaires. Ce modèle se base sur le simple autoencodeur et le modifie de telle sorte que sa sortie puisse être considérée comme des probabilités conditionnelles. Il a été testé sur une multitude d’ensembles de données et atteint des performances comparables à l’état de l’art, tout en étant plus rapide. Pour faciliter la description de ce modèle, plusieurs concepts de base de l’apprentissage automatique seront décrits ainsi que d’autres modèles d’estimation de distribution. Comme son nom l’indique, l’estimation de distribution est simplement la tâche d’estimer une distribution statistique à l’aide d’exemples tirés de cette dernière. Bien que certains considèrent ce problème comme étant le Saint Graal de l’apprentissage automatique, il a longtemps été négligé par le domaine puisqu’il était considéré trop difficile. Une raison pour laquelle cette tâche est tenue en si haute estime est qu’une fois la distribution des données connue, elle peut être utilisée pour réaliser la plupart des autres tâches de l’apprentissage automatique, de la classification en passant par la régression jusqu’à la génération. L’information est divisée en trois chapitres principaux. Le premier donne un survol des connaissances requises pour comprendre le nouveau modèle. Le deuxième présente les précurseurs qui ont tenu le titre de l’état de l’art et finalement le troisième explique en détail le modèle proposé.","abstract_html":"Ce mémoire introduit MADE, un nouveau modèle génératif spécifiquement développé pour l’estimation de distribution de probabilité pour données binaires. Ce modèle se base sur le simple autoencodeur et le modifie de telle sorte que sa sortie puisse être considérée comme des probabilités conditionnelles. Il a été testé sur une multitude d’ensembles de données et atteint des performances comparables à l’état de l’art, tout en étant plus rapide. Pour faciliter la description de ce modèle, plusieurs concepts de base de l’apprentissage automatique seront décrits ainsi que d’autres modèles d’estimation de distribution. Comme son nom l’indique, l’estimation de distribution est simplement la tâche d’estimer une distribution statistique à l’aide d’exemples tirés de cette dernière. Bien que certains considèrent ce problème comme étant le Saint Graal de l’apprentissage automatique, il a longtemps été négligé par le domaine puisqu’il était considéré trop difficile. Une raison pour laquelle cette tâche est tenue en si haute estime est qu’une fois la distribution des données connue, elle peut être utilisée pour réaliser la plupart des autres tâches de l’apprentissage automatique, de la classification en passant par la régression jusqu’à la génération. L’information est divisée en trois chapitres principaux. Le premier donne un survol des connaissances requises pour comprendre le nouveau modèle. Le deuxième présente les précurseurs qui ont tenu le titre de l’état de l’art et finalement le troisième explique en détail le modèle proposé.","abstract_has_math":false,"creators":["Germain, Mathieu"],"institution":"Université de Sherbrooke","degree_name":"M. Sc.","degree_level":"Maîtrise","degree_discipline":"Informatique","degree_department":null,"school":null,"contributors":[],"advisors":["Larochelle, Hugo"],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-07-27T21:07:37Z","subjects":["Réseau de neurones","Autoencodeur","Apprentissage automatique","Apprentissage non-supervisé","Architecture profonde","Estimation de distribution"],"languages":["fr","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11143/6910","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Larochelle, Hugo"]},{"key":"dc:creator","label":"Author","values":["Germain, Mathieu"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2015-06-12T20:12:53Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2015-06-12T20:12:53Z"]},{"key":"dc:date.issued","label":"Date","values":["2015"]},{"key":"dc:publisher","label":"Institution","values":["Université de Sherbrooke"]},{"key":"dc:type","label":"Dc Type","values":["Mémoire de maîtrise"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Informatique"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Maîtrise"]},{"key":"thesis:degree_name","label":"Degree Name","values":["M. Sc."]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Sherbrooke"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Réseau de neurones","Autoencodeur","Apprentissage automatique","Apprentissage non-supervisé","Architecture profonde","Estimation de distribution"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fr","en"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11143/6910"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Ce mémoire introduit MADE, un nouveau modèle génératif spécifiquement développé pour l’estimation de distribution de probabilité pour données binaires. Ce modèle se base sur le simple autoencodeur et le modifie de telle sorte que sa sortie puisse être considérée comme des probabilités conditionnelles. Il a été testé sur une multitude d’ensembles de données et atteint des performances comparables à l’état de l’art, tout en étant plus rapide. Pour faciliter la description de ce modèle, plusieurs concepts de base de l’apprentissage automatique seront décrits ainsi que d’autres modèles d’estimation de distribution. Comme son nom l’indique, l’estimation de distribution est simplement la tâche d’estimer une distribution statistique à l’aide d’exemples tirés de cette dernière. Bien que certains considèrent ce problème comme étant le Saint Graal de l’apprentissage automatique, il a longtemps été négligé par le domaine puisqu’il était considéré trop difficile. Une raison pour laquelle cette tâche est tenue en si haute estime est qu’une fois la distribution des données connue, elle peut être utilisée pour réaliser la plupart des autres tâches de l’apprentissage automatique, de la classification en passant par la régression jusqu’à la génération. L’information est divisée en trois chapitres principaux. Le premier donne un survol des connaissances requises pour comprendre le nouveau modèle. Le deuxième présente les précurseurs qui ont tenu le titre de l’état de l’art et finalement le troisième explique en détail le modèle proposé."]},{"key":"dc:title","label":"Title","values":["L’estimation de distribution à l'aide d'un autoencodeur"]}]}],"canonical_facts":{"dc:contributor.advisor":["Larochelle, Hugo"],"dc:creator":["Germain, Mathieu"],"dc:date.accessioned":["2015-06-12T20:12:53Z"],"dc:date.available":["2015-06-12T20:12:53Z"],"dc:date.issued":["2015"],"dc:description.abstract":["Ce mémoire introduit MADE, un nouveau modèle génératif spécifiquement développé pour l’estimation de distribution de probabilité pour données binaires. Ce modèle se base sur le simple autoencodeur et le modifie de telle sorte que sa sortie puisse être considérée comme des probabilités conditionnelles. Il a été testé sur une multitude d’ensembles de données et atteint des performances comparables à l’état de l’art, tout en étant plus rapide. Pour faciliter la description de ce modèle, plusieurs concepts de base de l’apprentissage automatique seront décrits ainsi que d’autres modèles d’estimation de distribution. Comme son nom l’indique, l’estimation de distribution est simplement la tâche d’estimer une distribution statistique à l’aide d’exemples tirés de cette dernière. Bien que certains considèrent ce problème comme étant le Saint Graal de l’apprentissage automatique, il a longtemps été négligé par le domaine puisqu’il était considéré trop difficile. Une raison pour laquelle cette tâche est tenue en si haute estime est qu’une fois la distribution des données connue, elle peut être utilisée pour réaliser la plupart des autres tâches de l’apprentissage automatique, de la classification en passant par la régression jusqu’à la génération. L’information est divisée en trois chapitres principaux. Le premier donne un survol des connaissances requises pour comprendre le nouveau modèle. Le deuxième présente les précurseurs qui ont tenu le titre de l’état de l’art et finalement le troisième explique en détail le modèle proposé."],"dc:identifier.uri":["http://hdl.handle.net/11143/6910"],"dc:language.iso":["fr","en"],"dc:publisher":["Université de Sherbrooke"],"dc:subject":["Réseau de neurones","Autoencodeur","Apprentissage automatique","Apprentissage non-supervisé","Architecture profonde","Estimation de distribution"],"dc:title":["L’estimation de distribution à l'aide d'un autoencodeur"],"dc:type":["Mémoire de maîtrise"],"thesis:degree_discipline":["Informatique"],"thesis:degree_level":["Maîtrise"],"thesis:degree_name":["M. Sc."],"thesis:institution_name":["Université de Sherbrooke"]},"updated_at":"2026-07-27T21:07:37Z"}