Mémoire Online: Une plate forme orientée agent pour le data mining

Sommaire: Une plate forme orientée agent pour le data mining

INTRODUCTION GENERALE
CHAPITRE I: GENERALITE SUR LE DATA MINING
1 INTRODUCTION
2DEFINITION DU DATA MINING
3 MOTIVATIONS
4 DATA MINING SUR QUELS TYPES DE DONNEES ?
4.1 LES FICHIERS PLATS
4.2 LES BASES DE DONNEES RELATIONNELLES
4.3 LES DATA WAREHOUSES
4.4 LES BASES DE DONNEES TRANSACTIONNELLES
4.5 LES BASES DE DONNEES MULTIMEDIA
4.6 LES BASES DE DONNEES SPATIALES
4.7 LES BASES DE DONNEES DE SERIES TEMPORELLES
4.8 LE WORLD WIDE WEB
5 LES TACHES DU DATA MINING
5.1 LA CLASSIFICATION
5.2 L’ESTIMATION
5.3 LA PREDICTION
5.4 LE GROUPEMENT PAR SIMILITUDE
5.5 L’ANALYSE DES CLUSTERS
5.6 LA DESCRIPTION
6 LES ETAPES DU PROCESSUS DE DATA MINING
7 TECHNIQUES DU DATA MINING
7.1 LES RESEAUX DE NEURONES
7.1.1 AVANTAGES ET INCONVENIENTS
7.2 LES ARBRES DE DECISION
7.2.1 LES ALGORITHMES D’INDUCTION DES ARBRES DE DECISION
7.2.2 AVANTAGES ET INCONVENIENTS
7.3 LES ALGORITHMES GENETIQUES
7.3.1 PRINCIPE DE BASE DES ALGORITHMES GENETIQUES
7.3.2 CODAGE D’UN ALGORITHME GENETIQUE
7.3.3 AVANTAGES ET INCONVENIENTS
7.4 LES REGLES ASSOCIATIVES
7.4.1 LES ALGORITHMES D’INDUCTION DES REGLES ASSOCIATIVES
7.4.2 AVANTAGES ET INCONVENIENTS
7.5 L’ALGORITHME DES K-PLUS PROCHES VOISINS
7.5.1 ALGORITHME DE CLASSIFICATION PAR K-PPV
7.5.2 COMMENT CELA MARCHE-T-IL ?
7.5.3 AVANTAGES ET INCONVENIENTS
7.6 L’ALGORITHME DES K-MOYENNES (K-MEANS)
7.6.1 PRINCIPE DE FONCTIONNEMENT
7.7 ALGORITHME DE CLUSTERING PAR K-MEANS
7.7.1 EVALUATION
7.7.2 AVANTAGES ET INCONVENIENTS
8 CATEGORISATION DES SYSTEMES DU DATA MINING
9 DOMAINES D’APPLICATION DU DATA MINING
9.1 LE DATA MINING DANS LE SECTEUR BANCAIRE
9.2 LE DATA MINING DANS LA BIO-INFORMATIQUE ET LA BIOTECHNOLOGIE
9.3 LE DATA MINING DANS LE MARKETING DIRECT ET LE COLLECTE DE FONDS
9.4 LE DATA MINING DANS LA DETECTION DE FRAUDE
9.5 LE DATA MINING DANS LA GESTION DE DONNEES SCIENTIFIQUES
9.6 LE DATA MINING DANS LE SECTEUR DES ASSURANCES
9.7 LE DATA MINING DANS LA TELECOMMUNICATION
9.8 LE DATA MINING DANS LA MEDECINE ET LA PHARMACIE
9.9 LE DATA MINING DANS LE COMMERCE AU DETAIL
9.10 LE DATA MINING DANS LE E-COMMERCE ET LE WORLD WIDE WEB
9.11 LE DATA MINING DANS LE MARCHE BOURSIER ET L’INVESTISSEMENT
9.12 LE DATA MINING DANS L’ANALYSE DE CHAINE D’APPROVISIONNEMENT
10 CONCLUSION
CHAPITRE II: ÉTUDE DES TRAVAUX EXPLOITANT LES SMAS POUR LE DATA MINING
1 INTRODUCTION
2 L’INTELLIGENCE ARTIFICIELLE DISTRIBUEE (IAD)
3 CONCEPT D’AGENT
3.1 DEFINITIONS
3.2 DIFFERENCE ENTRE OBJET ET AGENT
3.3 TYPES D’AGENTS
3.3.1 LES AGENTS COGNITIFS
3.3.2 LES AGENTS REACTIFS
4 LES SYSTEMES MULTI-AGENTS
4.1 DEFINITIONS
4.2 QUAND UTILISER UN SMA?
5 QUELQUES TRAVAUX EXPLOITANT LES SMAS POUR LE DM
5.1 APPROCHE SMA POUR LA SEGMENTATION MARKOVIENNE DES TISSUS ET STRUCTURES PRESENTS DANS LES IRM CEREBRALES
5.1.1 IMPLEMENTATION SMA
5.1.2 EVALUATION SUR IMAGES REELLES ACQUISES A 3T
5.2 UNE APPROCHE SMA DE L’AGREGATION ET DE LA COOPERATION DES CLASSIFIEURS
5.2.1 UNE APPROCHE FONDEE SUR LES SMA
5.2.2 FONCTIONNEMENT
5.2.3 SYNTHESE
5.3 UNE APPROCHE POUR L’EXTRACTION DES REGLES D’ASSOCIATION SPATIALES BASEE MULTI-AGENT : RASMA
5.3.1 ARCHITECTURE DE RASMA
5.3.2 PRESENTATION DES AGENTS
5.3.3 EXPERIMENTATION, RESULTATS ET PERFORMANCES
5.3.4 EVALUATION
6CONCLUSION
CHAPITRE III: MODÉLISATION
1 INTRODUCTION
2 PRESENTATION GENERALE DU MODELE
3 DESCRIPTION DES COMPOSANTS DE L’ARCHITECTURE
3.1 AGENT INTERFACE
3.1.1 ARCHITECTURE DE L’AGENT INTERFACE
3.1.2 FONCTIONNEMENT DE L’AGENT INTERFACE
3.1.3 LE SAVOIR DE L’AGENT INTERFACE
3.2 AGENT INIT-CLUSTER
3.2.1 ARCHITECTURE DE L’AGENT INIT-CLUSTER
3.2.2 FONCTIONNEMENT DE L’AGENT INIT-CLUSTER
3.2.3 LE SAVOIR DE L’AGENT INIT-CLUSTER
3.3 AGENT AFFECT-CLUSTER
3.3.1 ARCHITECTURE DE L’AGENT AFFECT-CLUSTER
3.3.2 FONCTIONNEMENT DE L’AGENT AFFECT-CLUSTER
3.3.3 LE SAVOIR DE L’AGENT AFFECT-CLUSTER
3.4 AGENT CALC-CENTROÏDE
3.4.1 ARCHITECTURE DE L’AGENT CALC-CENTROÏDE
3.4.2 FONCTIONNEMENT DE L’AGENT CALC-CENTROÏDE
3.4.3 LE SAVOIR DE L’AGENT CALC-CENTROÏDE
3.5 AGENT CLAC-DISTANCE
3.5.1 ARCHITECTURE DE L’AGENT CALC-DISTANCE
3.5.2 FONCTIONNEMENT DE L’AGENT CALC-DISTANCE
3.5.3 LE SAVOIR DE L’AGENT CALC-DISTANCE
4 LA COMMUNICATION INTER-AGENTS
5 FONCTIONNEMENT DU SYSTEME
5.1 DIAGRAMME DE CLASSES
5.2 DIAGRAMME DE SEQUENCE
6 CONCLUSION
CHAPITRE IV: ÉTUDE DE CAS
1 INTRODUCTION
2 LES ETAPES DU PROCESSUS ADOPTE
2.1 PREPARATION DES DONNEES
2.2 NETTOYAGE ET TRANSFORMATION DES DONNEES
2.3 DATA MINING
3 OUTILS DE PROGRAMMATION
3.1 POURQUOI JAVA?
3.2 LA PLATEFORME JADE
3.2.1 L’ENVIRONNEMENT D’EXECUTION JADE
3.2.2 LA COMMUNICATION ENTRE LES AGENTS JADE
4 CONCLUSION
CONCLUSION GENERALE
REFERENCES

Extrait du mémoire une plate forme orientée agent pour le data mining

Chapitre I : Généralités Sur Le Data Mining
1 Introduction
Les données brutes, malgré leur quantité qui augmente d’une façon exponentielle, n’ont presque aucune valeur, ce qui est le plus important en fait c’est les connaissances pour lesquelles nous sommes tous assoiffés et qui sont obtenus par la compréhension de ces données, mais plus on a de données plus ce processus devient difficile.

Une plate forme orientée
De nos jours, les changements de notre environnement sont dénotés par des capteurs qui sont devenus de plus en plus nombreux. Par conséquent, la compréhension de ces données est très importante. Et comme il est dit par Piatestky-Shapiro, « […] as long as the world keeps producing data of all kinds […] at an ever increasing rate, the demand for data mining will continue to grow» [1]. D’où la fouille de données devient une nécessité.

Une plate forme orientée
2 Définition du data mining
Selon le Groupe Gartner, le Data Mining appelé aussi fouille de données est le processus de découverte de nouvelles corrélations, modèles et tendances en analysant une grande quantité de données, en utilisant les technologies de reconnaissance des formes ainsi que d’autres techniques statistiques et mathématiques[2].
Ils existent d’autres définitions :
• Le Data Mining est l’analyse de grandes ensembles de données observationnelles pour découvrir des nouvelles relations entre elles et de les reformuler afin de les rendre plus utilisables de la part de ses propriétaires [3].
• Le Data Mining est un domaine interdisciplinaire utilisant dans le même temps des techniques d’apprentissage automatiques, de reconnaissance des formes, des statistiques, des bases de données et de visualisation pour déterminer les manières d’extraction des informations de très grandes bases de données [4].
• Le Data Mining est un processus inductif, itératif et interactif dont l’objectif est la découverte de modèles de données valides, nouveaux, utiles et compréhensibles dans de larges Bases de Données [5].
………

Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)
Mémoire Online: Une plate forme orientée agent pour le data mining (1.7 MO) (Cours PDF)