872 research outputs found
Ute Gause, Stephanie Scholz (éd.), Ehe und Familie im Geist des Luthertums. Die Oeconomia Christiana (1529) des Justus Menius, (Historisch-theologische Genderforschung, 6), Leipzig, Evangelische Verlagsanstalt, 2012
No full textArnold Matthieu. Ute Gause, Stephanie Scholz (éd.), Ehe und Familie im Geist des Luthertums. Die Oeconomia Christiana (1529) des Justus Menius, (Historisch-theologische Genderforschung, 6), Leipzig, Evangelische Verlagsanstalt, 2012. In: Revue d'histoire et de philosophie religieuses, 93e année n°4, Octobre-Décembre 2013. pp. 582-583
What Did Matthieu Beroald Transmit to François Béroalde de Verville?
No full text Many tangible and intangible goods were passed down within early modern families. The goods included texts and the knowledge that texts communicated. But how did they relate to the other goods transmitted within families? That question is explored in relation to the scholar Matthieu Beroald and his son François Béroalde de Verville, author of the famous Moyen de parvenir. Matthieu transmitted to François a humanist education, at least one printed volume (probably more), an interest in certain topics (especially chronology), a network of contacts, but little wealth. And François soon donated to his sisters what wealth he did receive. His relationship to his intellectual inheritance from his father was complex and ambivalent. Aspects of François's attitude towards knowledge may have stemmed, via his father, from two grandfather-figures: Matthieu's own father (a barber-surgeon) and Matthieu's relative and benefactor François Vatable (the Hebraicist). </jats:p
Soft-max boosting
No full textInternational audienceThe standard multi-class classification risk, based on the binary loss, is rarely directly minimized. This is due to (i) the lack of convexity and (ii) the lack of smoothness (and even continuity). The classic approach consists in minimizing instead a convex surrogate. In this paper, we propose to replace the usually considered deterministic decision rule by a stochastic one, which allows obtaining a smooth risk (generalizing the expected binary loss, and more generally the cost-sensitive loss). Practically, this (empirical) risk is minimized by performing a gradient descent in the function space linearly spanned by a base learner (a.k.a. boosting). We provide a convergence analysis of the resulting algorithm and experiment it on a bunch of synthetic and real-world data sets (with noiseless and noisy domains, compared to convex and non-convex boosters)
Γ-UCB A multiplicative UCB strategy for Gamma rewards
No full textWe consider the stochastic multi-armed bandit problem where rewards are distributed according to Gamma probability measures (unknown up to a lower bound on the form factor). To handle this problem, we propose an UCB-like strategy where indexes are multiplicative (sampled mean times a scaling factor). An upper-bound for the associated regret is provided and the proposed strategy is illustrated on some simple experiments
Social protection
No full textThis chapter analyses models of social protection. The author (Matthieu Clément) first discusses several recent programmes and proceeds by implementing Esping-Andersen’s analytical framework accounting for the plurality of social protection logics and actors. He finds that the two main dimensions that help differentiate social protection types across countries are the extent of decommodification and the extent of informal social protection. Four models of social protection are identified. Although China, India or Brazil, together with Latin American reformers, all fall into the USA-like liberal type, the other emerging countries fall into the social insecurity model, with migrant remittances playing a key role in bolstering family income in the country of origin. The last two models, which are specific to developing economies, are described in detail
L'Ouvrage incomplet sur Matthieu (Opus imperfectum in Matthaeum) et les commentaires en latin sur l'évangile de Matthieu de l'Antiquité. Comparaison exégétique et stylistique ciblée sur la partie A (Mt 1-8)
No full textAs part of the critical edition project of the Incomplete Work on Matthew (Opus imperfectum in Matthaeum, OIM), the present thesis analyzes the links between this anonymous commentary on the Gospel of Matthew, coming from a Riminian subordinationist environment (i.e. “Homean”), and other Latin exegetical works on the same gospel. After recalling, in a state of research, the main characteristics of the corpus taken into account, we carried out a continued exegetical comparison relating to the section Mt 1-8, corresponding to the first part of the OIM, with the fragments remains of the commentary on Matthew by Origen (3rd century), the commentaries on Matthew by Fortunatian of Aquileia and Hilary of Poitiers (mid-4th century), those of Jerome and Chromatius of Aquileia (late 4th century), and the texts by an anonymous Latin author from late Antiquity known as pseudo-Origen. This study was accompanied by a stylistic comparison on certain aspects (appellations of Christ, exegetical vocabulary, personal marks), highlighting the profound originality of the OIM in this regard. The results of this double comparison confirm the deep link of the OIM with Origen's Commentary on Matthew, an influence that the anonymous author shares with Jerome. Furthermore, our study shows for the first time the use in the OIM of the Commentary on Matthew by Chromatius of Aquileia. Finally, the results of the stylistic comparison, accompanied by a theological analysis of the translator's positions, tend to confirm that it is indeed to the author of the OIM that we owe the ancient Latin translation of the Commentary on Matthew of Origen.S'inscrivant dans le projet d'édition critique de l'Ouvrage incomplet sur Matthieu (Opus imperfectum in Matthaeum, OIM), la présente thèse analyse les liens entre ce commentaire anonyme sur l'évangile de Matthieu, provenant d'un milieu subordinationiste riminien (i.e. « homéen »), et d'autres ouvrages exégétiques latins sur le même évangile. Après avoir rappelé, dans un état de la recherche, les principales caractéristiques du corpus pris en compte, nous avons procédé à une comparaison exégétique suivie portant sur la section Mt 1-8, correspondant à la première partie de l'OIM, avec les commentaires sur Matthieu de Fortunatien d'Aquilée et d'Hilaire de Poitiers (milieu IVe siècle), ceux de Jérôme et Chromace d'Aquilée (fin IVe siècle), et les textes d'un auteur latin anonyme de la fin de l'Antiquité surnommé le pseudo-Origène. Cette étude s'est doublée d'une comparaison stylistique sur quelques aspects (appellations du Christ, vocabulaire exégétique, marques de personne), faisant ressortir la profonde originalité de l'OIM à cet égard. Le bilan de cette double comparaison confirme l'influence profonde du Commentaire sur Matthieu d'Origène sur l'OIM, ce qui rapproche l'auteur anonyme de Jérôme. De plus, notre étude met en évidence pour la première fois son utilisation du Commentaire sur Matthieu de Chromace d'Aquilée. Enfin, les résultats de la comparaison stylistique, assortis d'une analyse théologique des positions du traducteur, tendent à confirmer que c'est bien à l'auteur de l'OIM que nous devons l'ancienne traduction latine du Commentaire sur Matthieu d'Origène
How Autistic Brains Grow Differently: Hippocampal Neurogenesis in the 16p11.2 Heterozygous Mouse, a Model of Non-syndromic Autism
No full textThis work was produced while the author was an undergraduate student in the Summer Research Institute of the Ronald E. McNair Post Baccalaureate Degree Achievement Program at Rutgers University
Optimisation des chaînes de production dans l'industrie sidérurgique : une approche statistique de l'apprentissage par renforcement
No full textReinforcement learning is the response of machine learning to the problem of optimal control. In this paradigm, an agent learns to control an environment by interacting with it. It receives evenly a numeric reward (or reinforcement signal), which is a local information about the quality of the control. The agent objective is to maximize a cumulative function of these rewards, generally modelled as a so-called value function. A policy specifies the action to be chosen in a particular configuration of the environment to be controlled, and thus the value function quantifies the quality of this policy. This paragon is very general, and it allows taking into account many applications. In this manuscript, we apply it to a gas flow management problem in the iron and steel industry. However, its application can be quite difficult. Notably, if the environment description is too large, an exact representation of the value function (or of the policy) is not possible. This problem is known as generalization (or value function approximation): on the one hand, one has to design algorithms with low computational complexity, and on the other hand, one has to infer the behaviour the agent should have in an unknown configuration of the environment when close configurations have been experimented. This is the main problem we address in this manuscript, by introducing a family of algorithms inspired from Kalman filtering.L'apprentissage par renforcement est la réponse du domaine de l'apprentissage numérique au problème du contrôle optimal. Dans ce paradigme, un agent informatique apprend à contrôler un environnement en interagissant avec ce dernier. Il reçoit régulièrement une information locale de la qualité du contrôle effectué sous la forme d'une récompense numérique (ou signal de renforcement), et son objectif est de maximiser une fonction cumulante de ces récompenses sur le long terme, généralement modélisée par une fonction dite de valeur. Le choix des actions appliquées à l'environnement en fonction de sa configuration est appelé une politique, et la fonction de valeur quantifie donc la qualité de cette politique. Ce parangon est très général, et permet de s'intéresser à un grand nombre d'applications, comme la gestion des flux de gaz dans un complexe sidérurgique, que nous abordons dans ce manuscrit. Cependant, sa mise en application pratique peut être difficile. Notamment, lorsque la description de l'environnement à contrôler est trop grande, une représentation exacte de la fonction de valeur (ou de la politique) n'est pas possible. Dans ce cas se pose le problème de la généralisation (ou de l'approximation de fonction de valeur) : il faut d'une part concevoir des algorithmes dont la complexité algorithmique ne soit pas trop grande, et d'autre part être capable d'inférer le comportement à suivre pour une configuration de l'environnement inconnue lorsque des situations proches ont déjà été expérimentées. C'est le problème principal que nous traitons dans ce manuscrit, en proposant une approche inspirée du filtrage de Kalman
Contrôle optimal et apprentissage automatique, applications aux interactions homme-machine
No full textOptimisation des chaînes de production dans l'industrie sidérurgique : une approche statistique de l'apprentissage par renforcement
No full textReinforcement learning is the response of machine learning to the problem of optimal control. In this paradigm, an agent learns to control an environment by interacting with it. It receives evenly a numeric reward (or reinforcement signal), which is a local information about the quality of the control. The agent objective is to maximize a cumulative function of these rewards, generally modelled as a so-called value function. A policy specifies the action to be chosen in a particular configuration of the environment to be controlled, and thus the value function quantifies the quality of this policy. This paragon is very general, and it allows taking into account many applications. In this manuscript, we apply it to a gas flow management problem in the iron and steel industry. However, its application can be quite difficult. Notably, if the environment description is too large, an exact representation of the value function (or of the policy) is not possible. This problem is known as generalization (or value function approximation): on the one hand, one has to design algorithms with low computational complexity, and on the other hand, one has to infer the behaviour the agent should have in an unknown configuration of the environment when close configurations have been experimented. This is the main problem we address in this manuscript, by introducing a family of algorithms inspired from Kalman filtering.L'apprentissage par renforcement est la réponse du domaine de l'apprentissage numérique au problème du contrôle optimal. Dans ce paradigme, un agent informatique apprend à contrôler un environnement en interagissant avec ce dernier. Il reçoit régulièrement une information locale de la qualité du contrôle effectué sous la forme d'une récompense numérique (ou signal de renforcement), et son objectif est de maximiser une fonction cumulante de ces récompenses sur le long terme, généralement modélisée par une fonction dite de valeur. Le choix des actions appliquées à l'environnement en fonction de sa configuration est appelé une politique, et la fonction de valeur quantifie donc la qualité de cette politique. Ce parangon est très général, et permet de s'intéresser à un grand nombre d'applications, comme la gestion des flux de gaz dans un complexe sidérurgique, que nous abordons dans ce manuscrit. Cependant, sa mise en application pratique peut être difficile. Notamment, lorsque la description de l'environnement à contrôler est trop grande, une représentation exacte de la fonction de valeur (ou de la politique) n'est pas possible. Dans ce cas se pose le problème de la généralisation (ou de l'approximation de fonction de valeur) : il faut d'une part concevoir des algorithmes dont la complexité algorithmique ne soit pas trop grande, et d'autre part être capable d'inférer le comportement à suivre pour une configuration de l'environnement inconnue lorsque des situations proches ont déjà été expérimentées. C'est le problème principal que nous traitons dans ce manuscrit, en proposant une approche inspirée du filtrage de Kalman
- …
