Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for +publisher:"Paris Saclay" +contributor:("Vazirgiannis, Michalis"). Showing records 1 – 2 of 2 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Korvesis, Panagiotis. Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation.

Degree: Docteur es, Informatique, 2017, Paris Saclay

L'augmentation des données disponibles dans presque tous les domaines soulève la nécessité d'utiliser des algorithmes pour l'analyse automatisée des données. Cette nécessité est mise en évidence dans la maintenance prédictive, où l'objectif est de prédire les pannes des systèmes en observant continuellement leur état, afin de planifier les actions de maintenance à l'avance. Ces observations sont générées par des systèmes de surveillance habituellement sous la forme de séries temporelles et de journaux d'événements et couvrent la durée de vie des composants correspondants. Le principal défi de la maintenance prédictive est l'analyse de l'historique d'observation afin de développer des modèles prédictifs.Dans ce sens, l'apprentissage automatique est devenu omniprésent puisqu'il fournit les moyens d'extraire les connaissances d'une grande variété de sources de données avec une intervention humaine minimale. L'objectif de cette thèse est d'étudier et de résoudre les problèmes dans l'aviation liés à la prévision des pannes de composants à bord. La quantité de données liées à l'exploitation des avions est énorme et, par conséquent, l'évolutivité est une condition essentielle dans chaque approche proposée.Cette thèse est divisée en trois parties qui correspondent aux différentes sources de données que nous avons rencontrées au cours de notre travail. Dans la première partie, nous avons ciblé le problème de la prédiction des pannes des systèmes, compte tenu de l'historique des Post Flight Reports. Nous avons proposé une approche statistique basée sur la régression précédée d'une formulation méticuleuse et d'un prétraitement / transformation de données. Notre méthode estime le risque d'échec avec une solution évolutive, déployée dans un environnement de cluster en apprentissage et en déploiement. À notre connaissance, il n'y a pas de méthode disponible pour résoudre ce problème jusqu'au moment où cette thèse a été écrite.La deuxième partie consiste à analyser les données du livre de bord, qui consistent en un texte décrivant les problèmes d'avions et les actions de maintenance correspondantes. Le livre de bord contient des informations qui ne sont pas présentes dans les Post Flight Reports bien qu'elles soient essentielles dans plusieurs applications, comme la prédiction de l'échec. Cependant, le journal de bord contient du texte écrit par des humains, il contient beaucoup de bruit qui doit être supprimé afin d'extraire les informations utiles. Nous avons abordé ce problème en proposant une approche basée sur des représentations vectorielles de mots. Notre approche exploite des similitudes sémantiques, apprises par des neural networks qui ont généré les représentations vectorielles, afin d'identifier et de corriger les fautes d'orthographe et les abréviations. Enfin, des mots-clés importants sont extraits à l'aide du Part of Speech Tagging.Dans la troisième partie, nous avons abordé le problème de l'évaluation de l'état des composants à bord en utilisant les mesures des capteurs. Dans les cas considérés, l'état du composant… Advisors/Committee Members: Vazirgiannis, Michalis (thesis director).

Subjects/Keywords: Maintenance predictive; Aviation; Apprentissage automatique; Predictive maintenance; Aviation; Machine learning

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Korvesis, P. (2017). Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2017SACLX093

Chicago Manual of Style (16th Edition):

Korvesis, Panagiotis. “Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation.” 2017. Doctoral Dissertation, Paris Saclay. Accessed February 16, 2019. http://www.theses.fr/2017SACLX093.

MLA Handbook (7th Edition):

Korvesis, Panagiotis. “Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation.” 2017. Web. 16 Feb 2019.

Vancouver:

Korvesis P. Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation. [Internet] [Doctoral dissertation]. Paris Saclay; 2017. [cited 2019 Feb 16]. Available from: http://www.theses.fr/2017SACLX093.

Council of Science Editors:

Korvesis P. Machine Learning for Predictive Maintenance in Aviation : Apprentissage Automatique pour la Maintenance Predictive dans le Domaine de l’Aviation. [Doctoral Dissertation]. Paris Saclay; 2017. Available from: http://www.theses.fr/2017SACLX093

2. Rossi, Maria. Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux.

Degree: Docteur es, Informatique, 2017, Paris Saclay

La science moderne des graphes est apparue ces derni?res ann?es comme un domaine d'int?r?t et a apport? des progr?s significatifs ? notre connaissance des r?seaux. Jusqu'? r?cemment, les algorithmes d'exploration de donn?es existants ?taient destin?s ? des donn?es structur?es / relationnelles, alors que de nombreux ensembles de donn?es n?cessitent une repr?sentation graphique, comme les r?seaux sociaux, les r?seaux g?n?r?s par des donn?es textuelles, les structures prot?iques 3D ou encore les compos?s chimiques. Il est donc crucial de pouvoir extraire des informations pertinantes ? partir de ce type de donn?es et, pour ce faire, les m?thodes d'extraction et d'analyse des graphiques ont ?t? prouv?es essentielles.L'objectif de cette th?se est d'?tudier les probl?mes dans le domaine de la fouille de graphes ax?s en particulier sur la conception de nouveaux algorithmes et d'outils li?s ? la diffusion d'informations et plus sp?cifiquement sur la fa?on de localiser des entit?s influentes dans des r?seaux r?els. Cette t?che est cruciale dans de nombreuses applications telles que la diffusion de l'information, les contr?les ?pid?miologiques et le marketing viral.Dans la premi?re partie de la th?se, nous avons ?tudi? les processus de diffusion dans les r?seaux sociaux ciblant la recherche de caract?ristiques topologiques classant les entit?s du r?seau en fonction de leurs capacit?s influentes. Nous nous sommes sp?cifiquement concentr?s sur la d?composition K-truss qui est une extension de la d?composition k-core. On a montr? que les noeuds qui appartiennent au sous-graphe induit par le maximal K-truss pr?senteront de meilleurs propriet?s de propagation par rapport aux crit?res de r?f?rence. De tels ?pandeurs ont la capacit? non seulement d'influencer une plus grande partie du r?seau au cours des premi?res ?tapes d'un processus d'?talement, mais aussi de contaminer une plus grande partie des noeuds.Dans la deuxi?me partie de la th?se, nous nous sommes concentr?s sur l'identification d'un groupe de noeuds qui, en agissant ensemble, maximisent le nombre attendu de n?uds influenc?s ? la fin du processus de propagation, formellement appel? Influence Maximization (IM). Le probl?me IM ?tant NP-hard, il existe des algorithmes efficaces garantissant l?approximation de ses solutions. Comme ces garanties proposent une approximation gloutonne qui est co?teuse en termes de temps de calcul, nous avons propos? l'algorithme MATI qui r?ussit ? localiser le groupe d'utilisateurs qui maximise l'influence, tout en ?tant ?volutif. L'algorithme profite des chemins possibles cr??s dans le voisinage de chaque n?ud et pr?calcule l'influence potentielle de chaque n?ud permettant ainsi de produire des r?sultats concurrentiels, compar?s ? ceux des algorithmes classiques.Finallement, nous ?tudions le point de vue de la confidentialit? quant au partage de ces bons indicateurs d?influence dans un r?seau social. Nous nous sommes concentr?s sur la conception d'un algorithme efficace, correct, s?curis? et de protection de la vie priv?e, qui r?sout le probl?me… Advisors/Committee Members: Vazirgiannis, Michalis (thesis director).

Subjects/Keywords: Fouille de graphes; Science Computationelle; Exploration de donn?es; Graph Mining; Computational Science; Data Mining; Influence Maximization; Spreading Processes

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Rossi, M. (2017). Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2017SACLX083

Chicago Manual of Style (16th Edition):

Rossi, Maria. “Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux.” 2017. Doctoral Dissertation, Paris Saclay. Accessed February 16, 2019. http://www.theses.fr/2017SACLX083.

MLA Handbook (7th Edition):

Rossi, Maria. “Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux.” 2017. Web. 16 Feb 2019.

Vancouver:

Rossi M. Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux. [Internet] [Doctoral dissertation]. Paris Saclay; 2017. [cited 2019 Feb 16]. Available from: http://www.theses.fr/2017SACLX083.

Council of Science Editors:

Rossi M. Graph Mining for Influence Maximization in Social Networks : Fouille de Graphes pour Maximisation de l'Influence dans les R?seaux Sociaux. [Doctoral Dissertation]. Paris Saclay; 2017. Available from: http://www.theses.fr/2017SACLX083

.