FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W821492024> ?p ?o ?g. }

• W821492024 abstract "L'arrivee a la phase de maturite des corpus theoriques des reseaux de neurones artificiels (RNA) et des algorithmes genetiques (AG) permet de proceder a la mise en place d'applications dans divers domaines. La classification represente un domaine d'intervention possible, que nous aborderons en exposant plus particulierement le probleme de la prevision de defaillance des PME-PMI. Dans le cadre d'une experimentation, nous avons retenu trois modeles neuronaux permettant de traiter de la classification, a savoir le Perceptron Multicouche (le plus connu) (PMC), le Reseau a Fonctions Radiales de Bases (RBF) et les cartes auto-organisatrices de Kohonen. Les deux premiers sont de type feedforward avec apprentissage supervise (connaissances a priori des entrees et des sorties), le dernier presente la caracteristique de s'auto-organiser avec apprentissage non-supervise (connaissance a priori des entrees uniquement). Ces trois types de reseaux abordent le probleme de la defaillance avec deux optiques distinctes, le PMC et le RBF permettent de realiser un outil de prevision tandis que le reseau de Kohonen par des operations de « clustering » entre dans une demarche plus explicative que predictive du (ou des) processus de defaillance. La construction de ce type d'application se deroule en trois phases : la definition du probleme, la construction du reseau et l'apprentissage. La definition du probleme consiste a cerner les donnees qui seront necessaires a la construction de l'application dans le cadre de la prevision de defaillance, les donnees retenues sont des ratios de types comptables et financiers, pris dans la litterature de l'analyse financiere. Ces ratios sont calcules a partir des comptes annuels des entreprises, pris sur des bases de donnees informatisees telles que Diane de la societe SCRL. Les donnees retenues sont soumises a un pre-traitement statistique qui a pour objectif d'eliminer les variables redondantes, puis a une standardisation et une codification afin d'etre rendues comprehensibles par le RNA. La construction du reseau se decompose en trois phases, la premiere vise a choisir l'architecture en fonction du probleme pose, ici trois architectures (PMC, RBF, Kohonen), la deuxieme consiste a determiner la topologie c'est a dire le nombre de couches de neurones et le nombre de neurones caches, la troisieme definit le parametrage avec des variables comme le momentum et le taux d'apprentissage qui influent sur les capacites du reseau. C'est dans la deuxieme phase que le PMC montre ses limites. En effet, si le PMC est de grande taille, il se peut que lors de la phase d'apprentissage, l'algorithme de Retropropagation du Gradient (RPG) ne parvienne pas a parcourir l'ensemble des solutions et se bloque sur un minimum local. C'est a ce niveau que nous envisageons les Algorithmes Genetiques comme une methode de soutien aux RNA. Ils peuvent etre utilises comme substitut au RPG ou en hybridation. Nous retiendrons la deuxieme option qui presente l'avantage de depasser les limites de l'algorithme traditionnel sans pour autant devoir faire face aux limites propres aux AG. La derniere etape, l'apprentissage consiste a prendre les variables preparees dans la phase un et les donner au reseau construit dans la phase deux. Nous pourrons ensuite comparer les capacites respectives des trois reseaux testes dans le cadre d'un probleme de classification." @default.
• W821492024 created "2016-06-24" @default.
• W821492024 creator A5015679527 @default.
• W821492024 date "1999-06-16" @default.
• W821492024 modified "2023-09-27" @default.
• W821492024 title "LA PREVISION DE DEFAILLANCE D'ENTREPRISES : UNE APPLICATION NEURONALE A LA CLASSIFICATION" @default.
• W821492024 hasPublicationYear "1999" @default.
• W821492024 type Work @default.
• W821492024 sameAs 821492024 @default.
• W821492024 citedByCount "0" @default.
• W821492024 crossrefType "journal-article" @default.
• W821492024 hasAuthorship W821492024A5015679527 @default.
• W821492024 hasConcept C138885662 @default.
• W821492024 hasConcept C15708023 @default.
• W821492024 hasConcept C17744445 @default.
• W821492024 hasConceptScore W821492024C138885662 @default.
• W821492024 hasConceptScore W821492024C15708023 @default.
• W821492024 hasConceptScore W821492024C17744445 @default.
• W821492024 hasLocation W8214920241 @default.
• W821492024 hasOpenAccess W821492024 @default.
• W821492024 hasPrimaryLocation W8214920241 @default.
• W821492024 isParatext "false" @default.
• W821492024 isRetracted "false" @default.
• W821492024 magId "821492024" @default.
• W821492024 workType "article" @default.