Note ABES Enhancing supervised learning with complex aggregate features and context sensitivity Amélioration de l'apprentissage supervisé par l'utilisation d'agrégats complexes et la prise en compte du contexte Fouille de données relationnelles Reframing Agrégation complexe Optimisation stochastique Classification sensible au coût Adaptation de modèles Apprentissage automatique Intelligence artificielle Relational Data Mining Reframing Complex Aggregation Stochastic Optimization Cost-Sensitive Classification Model Adaptation Machine Learning Artificial Intelligence 006.35 Apprentissage supervisé (intelligence artificielle) Exploration de données Représentation des connaissances Algorithmes Dans cette thèse, nous étudions l'adaptation de modèles en apprentissage supervisé. Nous adaptons des algorithmes d'apprentissage existants à une représentation relationnelle. Puis, nous adaptons des modèles de prédiction aux changements de contexte.En représentation relationnelle, les données sont modélisées par plusieurs entités liées par des relations. Nous tirons parti de ces relations avec des agrégats complexes. Nous proposons des heuristiques d'optimisation stochastique pour inclure des agrégats complexes dans des arbres de décisions relationnels et des forêts, et les évaluons sur des jeux de données réelles.Nous adaptons des modèles de prédiction à deux types de changements de contexte. Nous proposons une optimisation de seuils sur des modèles à scores pour s'adapter à un changement de coûts. Puis, nous utilisons des transformations affines pour adapter les attributs numériques à un changement de distribution. Enfin, nous étendons ces transformations aux agrégats complexes. In this thesis, we study model adaptation in supervised learning. Firstly, we adapt existing learning algorithms to the relational representation of data. Secondly, we adapt learned prediction models to context change.In the relational setting, data is modeled by multiples entities linked with relationships. We handle these relationships using complex aggregate features. We propose stochastic optimization heuristics to include complex aggregates in relational decision trees and Random Forests, and assess their predictive performance on real-world datasets.We adapt prediction models to two kinds of context change. Firstly, we propose an algorithm to tune thresholds on pairwise scoring models to adapt to a change of misclassification costs. Secondly, we reframe numerical attributes with affine transformations to adapt to a change of attribute distribution between a learning and a deployment context. Finally, we extend these transformations to complex aggregates. Electronic Thesis or Dissertation Text en PDF 1782835 Université de Strasbourg Strasbourg 2017-12-31 https://theses.hal.science/tel-01539354 application/pdf 1609235 https://publication-theses.unistra.fr/public/theses_doctorat/2016/Charnay_Clement_2016_ED269.pdf http://www.theses.fr/2016STRAD025/abes https://theses.hal.science/tel-01539354 https://theses.hal.science/tel-01539354 https://theses.hal.science/tel-01539354 Charnay Clément 1990-12-19 FR 201774674 21217686 https://theses.fr/2016STRAD025 2016STRAD025 https://doi.org/10.70675/adc5d80cz952bz448cz9c26zef4d57398d2a 2016-06-30 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Lachiche Nicolas MADS_DIRECTEUR_DE_THESE_1 145162761 Blockeel Hendrik MADS_PRESIDENT_DU_JURY 201776863 Ferri César MADS_MEMBRE_DU_JURY_1 201777061 Blockeel Hendrik MADS_RAPPORTEUR_1 201776863 Vrain Christel MADS_RAPPORTEUR_2 033351961 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 MA 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 UMR7357 176969721 260728 ddc:004 Lachiche Nicolas Blockeel Hendrik Ferri César Blockeel Hendrik Vrain Christel École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 1782835