Bibliographie & annexes
Présentation
English
RÉSUMÉ
Cet article est une introduction concise aux notions fondamentales de l'apprentissage artificiel supervisé. Il présente également deux applications concrètes dans le domaine de la gestion du trafic aérien. La première consiste à apprendre un modèle de la charge de travail du contrôleur aérien ("aiguilleur du ciel"), à partir d'enregistrements de trajectoires d'avions et d'archives d'ouverture de secteurs de contrôle. La deuxième application s'intéresse à l'apprentissage de modèles de prévision de l'altitude de l'avion en montée.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
David GIANAZZA : Enseignant-chercheur, habilité à diriger des recherches - École Nationale de l’Aviation Civile, Toulouse, France
INTRODUCTION
Domaine : apprentissage artificiel et gestion du trafic aérien
Degré de diffusion de la technologie : croissance
Contact : [email protected]
L’apprentissage artificiel est un domaine scientifique en plein essor. Avec l’émergence de données massives (big data), il est devenu un outil indispensable pour pouvoir extraire de ces données des informations utiles ou des modèles de prévision, dans de nombreux domaines d’application.
Le domaine de l’apprentissage peut parfois paraître aux yeux du néophyte comme une véritable jungle, obscure et peu accessible. Le présent article ne prétend en aucun cas l’explorer exhaustivement, ni même superficiellement. L’objectif est de fournir au lecteur un point d’entrée et quelques outils (une machette, pour continuer notre analogie), pour pouvoir ensuite explorer par lui-même ce domaine, par des lectures spécialisées. Parmi les ouvrages de référence, citons les livres de T. Hastie et al. , celui de C. Bishop , et en français l’ouvrage de A. Cornuejols et L. Miclet .
Cette introduction à l’apprentissage artificiel est illustrée par deux applications à des problèmes de gestion du trafic aérien.
Dans la première, le modèle de prévision de la charge de travail des contrôleurs aériens (« aiguilleurs du ciel ») présenté est un réseau de neurones, appris à partir d’enregistrements de trajectoires d’avions et d’archives d’ouvertures de secteurs de contrôle. Une fois appris, ce modèle est combiné à une méthode de recherche arborescente pour prévoir les configurations optimales d’ouvertures de secteurs de contrôle aérien.
Dans la seconde application, l’apprentissage artificiel peut être utilisé soit pour prévoir directement l’altitude d’un avion en montée, soit pour estimer certains paramètres du modèle physique de l’avion, non disponibles dans les prédicteurs au sol, afin d’améliorer cette prévision d’altitude. Les éléments présentés dans cet article sont détaillés de façon plus approfondie dans .
L'expertise technique et scientifique de référence
MOTS-CLÉS
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Innovation > Innovations technologiques > Innovations en électronique et TIC > Apprentissage artificiel et application en gestion du trafic aérien > Glossaire
Accueil > Ressources documentaires > Ingénierie des transports > Systèmes aéronautiques et spatiaux > Aéronef en vol et transport aérien > Apprentissage artificiel et application en gestion du trafic aérien > Glossaire
Accueil > Ressources documentaires > Innovation > Smart city - Ville intelligente et durable > Mobilité et transports urbains > Apprentissage artificiel et application en gestion du trafic aérien > Glossaire
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Apprentissage artificiel et application en gestion du trafic aérien > Glossaire
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Apprentissage artificiel et application en gestion du trafic aérien > Glossaire
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Apprentissage artificiel
English
5. Glossaire
Réseau de neurones ; neural network
Ensemble de neurones formels (unités effectuant un calcul) interconnectés. Les connexions entre neurones sont pondérées par des poids, ajustés dans la phase d’apprentissage du réseau de neurones. Les réseaux de neurones sont par exemple utilisés dans la reconnaissance de formes, le traitement du langage naturel.
Fonction softmax ; softmax function
Fonction vectorielle retournant
pour chacune des composantes ai du vecteur en entrée. Cette fonction peut notamment être utilisée sur la dernière couche des réseaux de neurones dont on souhaite interpréter la sortie comme un vecteur de probabilités (entre 0 et 1) dont la somme vaut 1.
Fonction de perte ; loss function
Fonction définissant un coût associé à la différence entre la sortie
calculée par un modèle de prédiction et la sortie désirée y. Le choix de la fonction de perte peut être guidé par un principe d’inférence (maximum de vraisemblance, maximum a postériori, etc.), à partir d’hypothèses de base. Il peut aussi comporter une pondération arbitraire des risques encourus (par exemple, pondération des faux positifs et des faux négatifs dans la détection de maladies graves).
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Glossaire
BIBLIOGRAPHIE
-
(1) - JAMES (G.), WITTEN (D.), HASTIE (T.), TIBSHIRANI (R.) - An introduction to statistical learning, - volume 6. Springer (2013).
-
(2) - HASTIE (T.), TIBSHIRANI (R.), FRIEDMAN (J.H.) - The Elements of Statistical Learning. - Springer Series in Statistics. Springer New York Inc., New York, NY, USA (2001).
-
(3) - BISHOP (C.M.) et al - Pattern recognition and machine learning, - volume 4. springer New York (2006).
-
(4) - CORNUÉJOLS (A.), MICLET (L.) - Apprentissage artificiel : concepts et algorithmes. - Éditions Eyrolles (2011).
-
(5) - GIANAZZA (D.) - Méthodes d’optimisation et d’apprentissage appliquées à des problèmes de trafic aérien. - PhD thesis, Institut National Polytechnique de Toulouse. Thèse d’habilitation (2016).
-
(6)...
ANNEXES
USA/Europe ATM R&D seminar
http://www.atmseminarus.org/
International Conference on Research in Air Transportation
http://icrat.org/icrat/
HAUT DE PAGE
IEEE Transactions on Intelligent Transportation Systems
Transportation Research
https://www.journals.elsevier.com
MOOC Statistical Learning (Stanford on-line)
MOOC Machine Learning (Stanford University – Coursera)https://fr.coursera.org
MOOC Machine Learning (Georgia Tech – Udacity)
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
