Listing 1 - 10 of 10 |
Sort by
|
Choose an application
Artificial intelligence. Robotics. Simulation. Graphics --- AI(Artificial intelligence) --- Artificial intelligence --- Artificial thinking --- Artificiële intelligentie --- Electronic brains --- Intellectronics --- Intelligence [Artificial ] --- Intelligence artificielle --- Intelligent machines --- Kunstmatige intelligentie --- Logiciels --- Machine intelligence --- Software --- Thinking [Artificial ] --- AI (Artificial intelligence) --- Intelligence, Artificial --- Thinking, Artificial --- Bionics --- Cognitive science --- Digital computer simulation --- Electronic data processing --- Logic machines --- Machine theory --- Self-organizing systems --- Simulation methods --- Fifth generation computers --- Neural computers --- Cerveaux électroniques --- Machines intelligentes --- Pensée artificielle --- Artificial intelligence.
Choose an application
Choose an application
Professional ethics. Deontology --- Statistical science --- European Union
Choose an application
Animal ethology and ecology. Sociobiology --- Animal behavior --- Biological rhythms --- Time perception in animals --- Animal behavior. --- Biological rhythms. --- Time perception in animals. --- Rythmes biologiques. --- Comportement animal --- Physiologie.
Choose an application
Ce mémoire visait la modélisation de l’ordre sériel visuo-spatial en mémoire de travail à l’aide d’un réseau de neurones artificiels. Ainsi les principaux effets de l’ordre sériel visuo-spatial étaient simulés avec le modèle afin de voir si celui-ci rendait bien compte des données empiriques. La première partie de ce mémoire était constituée d’une revue de la littérature sur les différentes conceptions de la mémoire de travail. Le deuxième chapitre portait sur l’ordre sériel et ses différents modèles. Dans le troisième chapitre, la cognition spatiale était explorée, une partie importante portait sur les corrélats cérébraux et les différents neurones comme les « grids cells », suivie d’une partie sur la modélisation de l’ordre spatial. Dans le quatrième chapitre, les différentes manières de mesurer l’ordre visuo-spatial, en passant par la plus populaire, la tâche de Corsi ainsi que ses variantes, et ensuite la tâche d’Agam étaient abordés. Dans le dernier chapitre, les différents effets observés pour l’ordre sériel visuo-spatial étaient passés en revue. La deuxième partie du mémoire concernait l’architecture du réseau implémenté, ensuite la simulation de plusieurs effets empiriques était comparée avec des données empiriques de référence. Nous nous sommes basés sur le modèle de Botvinick et Plaut (2006) pour notre architecture. Bien que nous n’ayons pu répliquer le modèle par manque d’informations, nous avons pu proposer une version modifiée du modèle. Les résultats des simulations montraient que, globalement, un réseau récurrent pouvait rendre compte des différents effets visuo-spatiaux. Cependant, quelques limitations surviennent, comme la difficulté de rendre compte de la dissociation entre l’ordre et l’item, la modélisation du rappel indicé, ainsi que la généralisation des séquences apprises.
Choose an application
Les théories actuelles postulent que la reconnaissance peut s’effectuer selon deux processus indépendants mais qui agissent en parallèle : la recollection et la familiarité (Yonelinas, 2002). Par le passé, plusieurs modèles computationnels ont tenté de reproduire artificiellement le sentiment de familiarité, afin d’apporter du soutien à ces théories des deux processus et ainsi comprendre les mécanismes qui sous-tendent la familiarité (Bogacz & Brown, 2003 ; Kazanovich & Borisyuk, 2021). Dans ce mémoire, nous avons programmé un modèle de neurones artificiels pour la reconnaissance par familiarité sur des images naturelles dans le cortex périrhinal. Ce modèle a été conçu comme un système en deux étapes. Dans la première étape, nous utilisons ResNet50, un réseau profond convolutif (RPC) pré-entraîné pour extraire les caractéristiques d’une image (He et al., 2016). Dans la seconde étape, un réseau de neurones deux-couches à propagation avant, utilisant une règle d’apprentissage Hebbienne (Hebb, 1949), est utilisé pour la décision de familiarité à propos d’une image. Nous avons implémenté une tâche de reconnaissance à choix forcés et réalisé quatre simulations afin de tester les capacités de notre modèle. Premièrement, le modèle montre une capacité de mémoire allant jusqu’à 40 images. Deuxièmement, il présente un effet de récence lorsque le nombre d’images qui lui est présentée à l’entraînement ne dépasse pas sa capacité mnésique. Troisièmement, le modèle performe significativement moins bien lorsque les images présentées lors de la tâche de reconnaissance appartiennent toutes à la même catégorie sémantique, montrant ainsi un effet de la similarité sur ses performances. Finalement, le modèle parvient à reconnaitre des visages lorsque ceux-ci sont présentés dans différentes positions avec une précision supérieure à 75%.
Mémoire de reconnaissance --- Familiarité --- Connexionnisme --- Modélisation cognitive --- Deep Learning --- Apprentissage Hebbien --- Sciences sociales & comportementales, psychologie > Psychologie cognitive & théorique --- Sciences sociales & comportementales, psychologie > Neurosciences & comportement
Choose an application
statistical data --- human population --- households --- training --- labour market --- Income --- Poverty --- housing --- health --- working hours --- Free time --- social welfare --- pouvoir d'achat --- situation sociale --- revenu des ménages --- Belgique --- Statistique --- Région --- Belgium
Choose an application
Choose an application
Choose an application
Listing 1 - 10 of 10 |
Sort by
|