Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Ce mémoire se penche sur la comparaison de l’efficacité du Deep Learning (DL), tel qu'illustré dans la littérature existante, avec celle de l'apprentissage automatique classique (ML) que nous avons personnellement développé, dans le domaine de la reconnaissance d’activités humaines dans les habitats intelligents. L'étude se concentre sur l'analyse critique des performances des méthodes de deep learning, basée sur des recherches antérieures, et les compare avec les résultats obtenus par les techniques traditionnelles de machine learning que nous avons développé. L'introduction présente un aperçu des principes fondamentaux de l'intelligence artificielle, l'évolution du ML et du DL, et leur application dans les habitats intelligents. Le mémoire aborde également les défis et enjeux associés à ces technologies, notamment en termes de complexité et de ressources nécessaires. La méthodologie adoptée dans ce travail repose sur une revue approfondie de la littérature sur les applications du DL dans la reconnaissance d'activités humaines, ainsi que sur le développement et l'optimisation des modèles de ML classiques. Une attention particulière est accordée à l'optimisation des hyperparamètres pour améliorer la performance de ces modèles. Cette analyse est axée sur la comparaison directe de l'efficacité des méthodes de deep learning, telles qu'elles sont documentées dans la littérature existante, avec celle des techniques d'apprentissage automatique classique que nous avons développées. L'objectif est de déterminer dans quelle mesure le deep learning, souvent perçu comme plus avancé, se distingue réellement en termes d'efficacité par rapport à l'apprentissage automatique classique, en se concentrant spécifiquement sur les applications dans les habitats intelligents. Cette approche vise à éclairer la question cruciale de savoir si l'adoption du deep learning est systématiquement justifiée, ou si, dans certains cas, les méthodes traditionnelles de machine learning peuvent s'avérer tout aussi efficaces. Le mémoire conclut sur une synthèse des découvertes, mettant en lumière les forces et les faiblesses de chaque approche. Il offre également une perspective critique sur l'applicabilité du DL par rapport au ML classique dans les habitats intelligents et propose des recommandations pour des recherches futures, basées sur les résultats obtenus.

This dissertation delves into comparing the efficacy of deep learning (DL), as illustrated in existing literature, with that of classical machine learning (ML) techniques that we have personally developed in the domain of human activity recognition in smart habitats. The study focuses on a critical analysis of the performance of DL methods, based on prior research, and compares them with the results obtained from traditional ML techniques that we have implemented. The introduction presents an overview of the fundamental principles of AI, the evolution of ML and DL, and their application in smart habitats. The dissertation also addresses the challenges and issues associated with these technologies, particularly in terms of complexity and the resources required. The methodology adopted in this work is based on an extensive review of the literature on DL applications in human activity recognition, as well as on the development and optimization of classical ML models. Special attention is paid to the optimization of hyperparameters to enhance the performance of these models. This analysis is centered on a direct comparison of the efficacy of deep learning methods, as documented in the existing literature, with that of classical machine learning techniques that we have developed. The objective is to determine to what extent deep learning, often perceived as more advanced, truly stands out in terms of efficacy compared to classical machine learning, specifically focusing on applications in smart habitats. This approach aims to shed light on the crucial question of whether the adoption of deep learning is systematically justified, or if, in some cases, traditional machine learning methods can prove to be just as effective. The dissertation concludes with a synthesis of the findings, highlighting the strengths and weaknesses of each approach. It also offers a critical perspective on the applicability of DL compared to classical ML in smart habitats and proposes recommendations for future research based on the results obtained.