Implémentation d'un modèle de Deep Learning basé sur un réseau de neurones sur la carte STM32
| dc.contributor.author | Hadj Mohand Amel | |
| dc.contributor.author | Abderrahmani Rania | |
| dc.date.accessioned | 2024-03-04T12:58:24Z | |
| dc.date.available | 2024-03-04T12:58:24Z | |
| dc.date.issued | 2021-11-15 | |
| dc.description | 91 p. : ill. ; 30 cm. (+ CD-Rom) | |
| dc.description.abstract | L'intelligence artificielle nous permet de créer des machines ressemblant de plus en plus à l'humain dans le fait de pouvoir traiter des tâches qui étaient auparavant réservées uniquement à lui, grâce au développement des matériaux informatiques et les techniques de programmation qui allègent les ressources demandées. Elle est actuellement la branche la plus prometteuse de l'informatique. L'avènement des objets intelligents et connectés(smartwatchs, smarthomes,téléphones portables, ...) renforce l'importance de cette discipline. Il est de plus en plus important de doter ces équipements personnels de modèles leurs donnant des capacités d'apprentissage et de raisonnement permettant d'apprendre des habitudes de leurs utilisateurs et de s'adapter aux situations diverses. Actuellement, la majorité des fonctions de l'intelligence artificielle sont implémentées au niveau du Cloud. Il permet de fournir différents services à la demande au moyen d'Internet. Toutefois, cette situation engendre des problèmes de latence, des risques de sécurité et de dépendance à la disponibilité d'une connexion Internet. Grâce aux avancées technologiques dans le domaine des systèmes embarqués, les réseaux de neurones peuvent maintenant tenir dans des systèmes embarqués qui deviennent de plus en plus puissants et à faible consommation d'énergie. Dans l'optique d'intégrer cette technologie dans de petites puces électroniques pour gadgets intelligents, nous avons présenté dans notre projet l'implémentation d'un réseau de neurones qui était réservé aux machines puissantes dans un microcontrôleur de faible puissance fonctionnant avec des mémoires allant dans l'ordre de kilo octets, et nous avons choisi un microcontrôleur STM32F429I-DISC1 équipé d'un processeur ARM cortex M4. On prendra comme cas d'étude la reconnaissance de l'écriture manuscrite, en particulier la reconnaissance des chiffres manuscrits. | |
| dc.identifier.citation | INFORMATIQUE | |
| dc.identifier.other | Mast.inf.23.2021 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/23228 | |
| dc.language.iso | fr | |
| dc.publisher | UMMTO | |
| dc.subject | Intelligence arti cielle | |
| dc.subject | Machine learning | |
| dc.subject | Deep learning | |
| dc.subject | Réseaux de neurones | |
| dc.subject | Convolutional neural network | |
| dc.subject | Cloud computing | |
| dc.subject | Traitement d'images | |
| dc.subject | Reconnaissance de l'écriture manuscrite | |
| dc.subject | STM32F429I-Disc1. | |
| dc.title | Implémentation d'un modèle de Deep Learning basé sur un réseau de neurones sur la carte STM32 | |
| dc.type | Thesis |