1,720,964 research outputs found
Apprentissage automatique pour la prédiction de performances : du sport à la santé
No full textNumerous performance indicators exist in sport and health (recovery, rehabilitation, etc.), allowing us to characterize different sporting and therapeutic criteria.These different types of performance generally depend on the workload (or rehabilitation) undergone by athletes or patients.In recent years, many applications of machine learning to sport and health have been proposed.Predicting or even explaining performance based on workload data could help optimize training or therapy.In this context, the management of missing data and the articulation between load types and the various performance indicators considered represent the 2 issues addressed in this manuscript through 4 applications. The first 2 concern the management of missing data through uncertain modeling performed on (i) highly incomplete professional soccer data and (ii) artificially noisy COVID-19 data. For these 2 contributions, we have combined credibilistic uncertainty models, based on the theory of belief functions, with various imputation methods adapted to the chronological context of training/matches and therapies.Once the missing data had been imputed in the form of belief functions, the credibilistic k nearest-neighbor model adapted to regression was used to take advantage of the uncertain uncertainty patterns associated with the missing data. In the context of predicting performance in handball matches as a function of past workloads, multi-output regression models are used to simultaneously predict 7 athletic and technical performance indicators. The final application concerns the rehabilitation of post-stroke patients who have partially lost the use of one arm. In order to detect patients not responding to therapy, the problem of predicting different rehabilitation criteria has enabled the various contributions of this manuscript (credibilistic imputation of missing data and multiscore regression for the simultaneous prediction of different performance indicators.De nombreux indicateurs de performance existent en sport et en santé (guérison, réhabilitation, etc.) qui permettent de caractériser différents critères sportifs et thérapeutiques.Ces différents types de performance dépendent généralement de la charge de travail (ou de rééducation) subie par les sportifs ou patients.Ces dernières années, beaucoup d'applications de l'apprentissage automatique au sport et à la santé ont été proposées.La prédiction, voir l'explication de performances à partir de données de charges pourrait permettre d'optimiser les entraînements ou les thérapies.Dans ce contexte la gestion des données manquantes et l'articulation entre les types de charges et les différents indicateurs de performance considérés représentent les 2 problématiques traitées dans ce manuscrit à travers 4 applications. Les 2 premières concernent la gestion des données manquantes par une modélisation incertaine réalisée sur (i) des données de football professionnel fortement incomplètes et (ii) des données COVID-19 bruitées artificiellement. Pour ces 2 contributions, nous avons associé des modèles d'incertitude crédibilistes, textit{i.e.} basés sur la théorie des fonctions de croyance, à différentes méthodes d'imputation adaptées au contexte chronologique des entraînements/matchs et des thérapies.Une fois les données manquantes imputées sous formes de fonctions de croyance, le modèle crédibiliste des k plus proches voisins adapté à la régression a été utilisé de manière à tirer profit des modèles d'incertitudes incertains associés aux données manquantes. Dans un contexte de prédiction de performances en match de handball en fonction des charges de travail passées, des modèles de régression multisorties sont utilisés pour prédire simultanément 7 indicateurs de performance athlétiques et techniques. La dernière application concerne la rééducation de patients post-AVC ayant partiellement perdu l'usage d'un bras. De manière à détecter les patients non-répondant à la thérapie, le problème de la prédiction de différents critères de réhabilitation a permis de réappliquer les différentes contributions de ce manuscrit (imputation crédibiliste de données manquantes et régression multisorties pour la prédiction simultanée de différents indicateurs de performance
Machine learning for performances prediction : from sport to health
No full textDe nombreux indicateurs de performance existent en sport et en santé (guérison, réhabilitation, etc.) qui permettent de caractériser différents critères sportifs et thérapeutiques.Ces différents types de performance dépendent généralement de la charge de travail (ou de rééducation) subie par les sportifs ou patients.Ces dernières années, beaucoup d'applications de l'apprentissage automatique au sport et à la santé ont été proposées.La prédiction, voir l'explication de performances à partir de données de charges pourrait permettre d'optimiser les entraînements ou les thérapies.Dans ce contexte la gestion des données manquantes et l'articulation entre les types de charges et les différents indicateurs de performance considérés représentent les 2 problématiques traitées dans ce manuscrit à travers 4 applications. Les 2 premières concernent la gestion des données manquantes par une modélisation incertaine réalisée sur (i) des données de football professionnel fortement incomplètes et (ii) des données COVID-19 bruitées artificiellement. Pour ces 2 contributions, nous avons associé des modèles d'incertitude crédibilistes, textit{i.e.} basés sur la théorie des fonctions de croyance, à différentes méthodes d'imputation adaptées au contexte chronologique des entraînements/matchs et des thérapies.Une fois les données manquantes imputées sous formes de fonctions de croyance, le modèle crédibiliste des k plus proches voisins adapté à la régression a été utilisé de manière à tirer profit des modèles d'incertitudes incertains associés aux données manquantes. Dans un contexte de prédiction de performances en match de handball en fonction des charges de travail passées, des modèles de régression multisorties sont utilisés pour prédire simultanément 7 indicateurs de performance athlétiques et techniques. La dernière application concerne la rééducation de patients post-AVC ayant partiellement perdu l'usage d'un bras. De manière à détecter les patients non-répondant à la thérapie, le problème de la prédiction de différents critères de réhabilitation a permis de réappliquer les différentes contributions de ce manuscrit (imputation crédibiliste de données manquantes et régression multisorties pour la prédiction simultanée de différents indicateurs de performance.Numerous performance indicators exist in sport and health (recovery, rehabilitation, etc.), allowing us to characterize different sporting and therapeutic criteria.These different types of performance generally depend on the workload (or rehabilitation) undergone by athletes or patients.In recent years, many applications of machine learning to sport and health have been proposed.Predicting or even explaining performance based on workload data could help optimize training or therapy.In this context, the management of missing data and the articulation between load types and the various performance indicators considered represent the 2 issues addressed in this manuscript through 4 applications. The first 2 concern the management of missing data through uncertain modeling performed on (i) highly incomplete professional soccer data and (ii) artificially noisy COVID-19 data. For these 2 contributions, we have combined credibilistic uncertainty models, based on the theory of belief functions, with various imputation methods adapted to the chronological context of training/matches and therapies.Once the missing data had been imputed in the form of belief functions, the credibilistic k nearest-neighbor model adapted to regression was used to take advantage of the uncertain uncertainty patterns associated with the missing data. In the context of predicting performance in handball matches as a function of past workloads, multi-output regression models are used to simultaneously predict 7 athletic and technical performance indicators. The final application concerns the rehabilitation of post-stroke patients who have partially lost the use of one arm. In order to detect patients not responding to therapy, the problem of predicting different rehabilitation criteria has enabled the various contributions of this manuscript (credibilistic imputation of missing data and multiscore regression for the simultaneous prediction of different performance indicators
Apprentissage automatique pour la prédiction de performances : du sport à la santé
No full textNumerous performance indicators exist in sport and health (recovery, rehabilitation, etc.), allowing us to characterize different sporting and therapeutic criteria.These different types of performance generally depend on the workload (or rehabilitation) undergone by athletes or patients.In recent years, many applications of machine learning to sport and health have been proposed.Predicting or even explaining performance based on workload data could help optimize training or therapy.In this context, the management of missing data and the articulation between load types and the various performance indicators considered represent the 2 issues addressed in this manuscript through 4 applications. The first 2 concern the management of missing data through uncertain modeling performed on (i) highly incomplete professional soccer data and (ii) artificially noisy COVID-19 data. For these 2 contributions, we have combined credibilistic uncertainty models, based on the theory of belief functions, with various imputation methods adapted to the chronological context of training/matches and therapies.Once the missing data had been imputed in the form of belief functions, the credibilistic k nearest-neighbor model adapted to regression was used to take advantage of the uncertain uncertainty patterns associated with the missing data. In the context of predicting performance in handball matches as a function of past workloads, multi-output regression models are used to simultaneously predict 7 athletic and technical performance indicators. The final application concerns the rehabilitation of post-stroke patients who have partially lost the use of one arm. In order to detect patients not responding to therapy, the problem of predicting different rehabilitation criteria has enabled the various contributions of this manuscript (credibilistic imputation of missing data and multiscore regression for the simultaneous prediction of different performance indicators.De nombreux indicateurs de performance existent en sport et en santé (guérison, réhabilitation, etc.) qui permettent de caractériser différents critères sportifs et thérapeutiques.Ces différents types de performance dépendent généralement de la charge de travail (ou de rééducation) subie par les sportifs ou patients.Ces dernières années, beaucoup d'applications de l'apprentissage automatique au sport et à la santé ont été proposées.La prédiction, voir l'explication de performances à partir de données de charges pourrait permettre d'optimiser les entraînements ou les thérapies.Dans ce contexte la gestion des données manquantes et l'articulation entre les types de charges et les différents indicateurs de performance considérés représentent les 2 problématiques traitées dans ce manuscrit à travers 4 applications. Les 2 premières concernent la gestion des données manquantes par une modélisation incertaine réalisée sur (i) des données de football professionnel fortement incomplètes et (ii) des données COVID-19 bruitées artificiellement. Pour ces 2 contributions, nous avons associé des modèles d'incertitude crédibilistes, textit{i.e.} basés sur la théorie des fonctions de croyance, à différentes méthodes d'imputation adaptées au contexte chronologique des entraînements/matchs et des thérapies.Une fois les données manquantes imputées sous formes de fonctions de croyance, le modèle crédibiliste des k plus proches voisins adapté à la régression a été utilisé de manière à tirer profit des modèles d'incertitudes incertains associés aux données manquantes. Dans un contexte de prédiction de performances en match de handball en fonction des charges de travail passées, des modèles de régression multisorties sont utilisés pour prédire simultanément 7 indicateurs de performance athlétiques et techniques. La dernière application concerne la rééducation de patients post-AVC ayant partiellement perdu l'usage d'un bras. De manière à détecter les patients non-répondant à la thérapie, le problème de la prédiction de différents critères de réhabilitation a permis de réappliquer les différentes contributions de ce manuscrit (imputation crédibiliste de données manquantes et régression multisorties pour la prédiction simultanée de différents indicateurs de performance
Régression multi-output d'indicateurs de performance en Handball féminin
No full textNational audienc
Apprentissage automatique pour la prédiction de performances : du sport à la santé
No full textNumerous performance indicators exist in sport and health (recovery, rehabilitation, etc.), allowing us to characterize different sporting and therapeutic criteria.These different types of performance generally depend on the workload (or rehabilitation) undergone by athletes or patients.In recent years, many applications of machine learning to sport and health have been proposed.Predicting or even explaining performance based on workload data could help optimize training or therapy.In this context, the management of missing data and the articulation between load types and the various performance indicators considered represent the 2 issues addressed in this manuscript through 4 applications. The first 2 concern the management of missing data through uncertain modeling performed on (i) highly incomplete professional soccer data and (ii) artificially noisy COVID-19 data. For these 2 contributions, we have combined credibilistic uncertainty models, based on the theory of belief functions, with various imputation methods adapted to the chronological context of training/matches and therapies.Once the missing data had been imputed in the form of belief functions, the credibilistic k nearest-neighbor model adapted to regression was used to take advantage of the uncertain uncertainty patterns associated with the missing data. In the context of predicting performance in handball matches as a function of past workloads, multi-output regression models are used to simultaneously predict 7 athletic and technical performance indicators. The final application concerns the rehabilitation of post-stroke patients who have partially lost the use of one arm. In order to detect patients not responding to therapy, the problem of predicting different rehabilitation criteria has enabled the various contributions of this manuscript (credibilistic imputation of missing data and multiscore regression for the simultaneous prediction of different performance indicators.De nombreux indicateurs de performance existent en sport et en santé (guérison, réhabilitation, etc.) qui permettent de caractériser différents critères sportifs et thérapeutiques.Ces différents types de performance dépendent généralement de la charge de travail (ou de rééducation) subie par les sportifs ou patients.Ces dernières années, beaucoup d'applications de l'apprentissage automatique au sport et à la santé ont été proposées.La prédiction, voir l'explication de performances à partir de données de charges pourrait permettre d'optimiser les entraînements ou les thérapies.Dans ce contexte la gestion des données manquantes et l'articulation entre les types de charges et les différents indicateurs de performance considérés représentent les 2 problématiques traitées dans ce manuscrit à travers 4 applications. Les 2 premières concernent la gestion des données manquantes par une modélisation incertaine réalisée sur (i) des données de football professionnel fortement incomplètes et (ii) des données COVID-19 bruitées artificiellement. Pour ces 2 contributions, nous avons associé des modèles d'incertitude crédibilistes, textit{i.e.} basés sur la théorie des fonctions de croyance, à différentes méthodes d'imputation adaptées au contexte chronologique des entraînements/matchs et des thérapies.Une fois les données manquantes imputées sous formes de fonctions de croyance, le modèle crédibiliste des k plus proches voisins adapté à la régression a été utilisé de manière à tirer profit des modèles d'incertitudes incertains associés aux données manquantes. Dans un contexte de prédiction de performances en match de handball en fonction des charges de travail passées, des modèles de régression multisorties sont utilisés pour prédire simultanément 7 indicateurs de performance athlétiques et techniques. La dernière application concerne la rééducation de patients post-AVC ayant partiellement perdu l'usage d'un bras. De manière à détecter les patients non-répondant à la thérapie, le problème de la prédiction de différents critères de réhabilitation a permis de réappliquer les différentes contributions de ce manuscrit (imputation crédibiliste de données manquantes et régression multisorties pour la prédiction simultanée de différents indicateurs de performance
Régression multi-output d'indicateurs de performance en Handball féminin
No full textNational audienc
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
- …
