English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

La selection d’instances pour la classification suivant le plus proche voisin est un probleme classique d’apprentissage statistique. Place dans le cadre de la selection d’hypotheses, ce probleme possede deux caracteristiques : premierement l’ensemble des hypotheses est structure et, deuxiemement, il depend des donnees. Nous proposons des criteres d’evaluation non parametriques tenant compte de ces caracteristiques, notre objectif etant de comparer des sous-ensembles d’instances de cardinaux differents sans recourir a l’ajustement d’un parametre exterieur. Pour cela, nous nous interessons aux approches regularisantes de l’evaluation. Nous explorons successivement trois approches de l’evaluation statistique regularisee : l’approche SRM (pour Structural Risk Minimisation), l’approche BIC (pour Bayesian Information Criterion) et l’approche MDL (pour Minimum Description Length). Nous proposons ainsi trois nouveaux criteres d’evaluation regularisee de l’interet d’un sous-ensemble d’instances. Tous trois autorisent la comparaison d’ensembles d’instances de tailles differentes. Tous trois sont non parametriques. Nous procedons a une comparaison qualitative des criteres, basee sur des donnees reelles et synthetiques, et demontrons le fait suivant : le critere MDL est plus fin que le critere BIC, lui-meme plus fin que le critere SRM.

Comparaison de différentes approches de l'évaluation supervisée