University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Harbouche,Khadidja |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Environnement numérique de travail à base d’agents intelligents pour l’apprentissage coopératif sur le web / Harbouche,Khadidja
Titre : Environnement numérique de travail à base d’agents intelligents pour l’apprentissage coopératif sur le web Type de document : texte imprimé Auteurs : Harbouche,Khadidja, Auteur ; M Djoudi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2013 Importance : 1 vol (207 f .) Format : 29 cm Catégories : Informatique Mots-clés : Environnements Numériques de Travail
Agents intelligents
Systèmes multi-agents
Agents artificiels
Apprentissage coopératif
Situations d’apprentissage
Communication interpersonnelle
ENT
EIAH
SMA
CSCLIndex. décimale : 004 Informatique Note de contenu :
TABLES DES MATIÈRES:
1-L'apprentissage de l’idéologie a la transformation technologique
2-Les environnements d'apprentissage-enquête d'opinion a l'UFAS
3-Environnements numérique de travail pour une situation apprentissage coopératif sur le web(environnements passif)
4-Environnements dynamique pour un apprentissage coopératif (les agents artificiels)
5-Agents intelligents support a la conception du système d'apprentissage
Côte titre : DI/0016-0017 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/37/1/harboucheDjoudi. [...] Environnement numérique de travail à base d’agents intelligents pour l’apprentissage coopératif sur le web [texte imprimé] / Harbouche,Khadidja, Auteur ; M Djoudi, Directeur de thèse . - [S.l.] : Setif:UFA, 2013 . - 1 vol (207 f .) ; 29 cm.
Catégories : Informatique Mots-clés : Environnements Numériques de Travail
Agents intelligents
Systèmes multi-agents
Agents artificiels
Apprentissage coopératif
Situations d’apprentissage
Communication interpersonnelle
ENT
EIAH
SMA
CSCLIndex. décimale : 004 Informatique Note de contenu :
TABLES DES MATIÈRES:
1-L'apprentissage de l’idéologie a la transformation technologique
2-Les environnements d'apprentissage-enquête d'opinion a l'UFAS
3-Environnements numérique de travail pour une situation apprentissage coopératif sur le web(environnements passif)
4-Environnements dynamique pour un apprentissage coopératif (les agents artificiels)
5-Agents intelligents support a la conception du système d'apprentissage
Côte titre : DI/0016-0017 En ligne : http://dspace.univ-setif.dz:8888/jspui/bitstream/123456789/37/1/harboucheDjoudi. [...] Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité DI/0016 DI/0016-0017 Thèse Bibliothéque des sciences Français Disponible
DisponibleDI/0017 DI/0016-0017 Thèse Bibliothéque des sciences Français Disponible
Disponible
Titre : Modeling learning and forgetting for a skills scheduler Type de document : texte imprimé Auteurs : Derrahi, Moncef ElkhatIb, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Modélisation des étudiants
Espacement adaptatif
Composants des connaissancesIndex. décimale : 004 - Informatique Résumé :
Au cours des deux dernières décennies, il y a eu une grande variété d’approches
pour modéliser les connaissances des étudiants dans le cadre de systèmes
de tutorat intelligents. En raison du développement des approches d’apprentissage
automatique et de suivi des connaissances, des succès empiriques
ont été enregistrés dans plusieurs applications d’apprentissage automatique et
d’exploration des données, y compris la modélisation des connaissances des
étudiants. Nous soutenons qu’aucun modèle de traçage des connaissances ne
tient compte à la fois de la dégradation de la mémoire et du marquage des compétences
multiples pour prédire les performances des élèves. Dans ce travail,
nous avons étudié un nouveau modèle d’exploration de données connu sous
le nom de "DAS3H", qui a été utilisé pour évaluer le modèle d’apprentissage et
d’oubli des étudiants. Le DAS3H s’appuie sur les modèles de facteurs additifs
et comprend une représentation de la distribution temporelle de la pratique
passée sur les compétences impliquées par un élément. Cette dernière a été
réalisée sur un large ensemble de données (Algèbre I 2005-2006) afin de mieux
prédire les performances de l’étudiant.Côte titre : MAI/0433 En ligne : https://drive.google.com/file/d/14C91LQXWymBzoVAZBsY5erXJaEmiELvV/view?usp=shari [...] Format de la ressource électronique : Modeling learning and forgetting for a skills scheduler [texte imprimé] / Derrahi, Moncef ElkhatIb, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Modélisation des étudiants
Espacement adaptatif
Composants des connaissancesIndex. décimale : 004 - Informatique Résumé :
Au cours des deux dernières décennies, il y a eu une grande variété d’approches
pour modéliser les connaissances des étudiants dans le cadre de systèmes
de tutorat intelligents. En raison du développement des approches d’apprentissage
automatique et de suivi des connaissances, des succès empiriques
ont été enregistrés dans plusieurs applications d’apprentissage automatique et
d’exploration des données, y compris la modélisation des connaissances des
étudiants. Nous soutenons qu’aucun modèle de traçage des connaissances ne
tient compte à la fois de la dégradation de la mémoire et du marquage des compétences
multiples pour prédire les performances des élèves. Dans ce travail,
nous avons étudié un nouveau modèle d’exploration de données connu sous
le nom de "DAS3H", qui a été utilisé pour évaluer le modèle d’apprentissage et
d’oubli des étudiants. Le DAS3H s’appuie sur les modèles de facteurs additifs
et comprend une représentation de la distribution temporelle de la pratique
passée sur les compétences impliquées par un élément. Cette dernière a été
réalisée sur un large ensemble de données (Algèbre I 2005-2006) afin de mieux
prédire les performances de l’étudiant.Côte titre : MAI/0433 En ligne : https://drive.google.com/file/d/14C91LQXWymBzoVAZBsY5erXJaEmiELvV/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0433 MAI/0433 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Principes d'évaluation des cours adaptatifs en ligne Type de document : texte imprimé Auteurs : Khenat, Radja, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (57 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Data Mining éducative
les cours adaptatifs en ligneIndex. décimale : 004 Informatique Résumé : Les cours adaptatifs en ligne sont conçus pour personnaliser automatiquement les cours en ligne pour différents utilisateurs, généralement en fonction des données saisies au cours du cours. L'évaluation de la qualité de ces cours d'adaptation peut être difficile avec les méthodes d'évaluation traditionnelles telles que la comparaison avec l'objectif de l'éducation, la connaissance interne des utilisateurs qui ne peut être mesurée. Les mesures éducatives telles que les scores au quiz ne sont pas suffisamment prises en compte. Dans ce travail, nous présentons un modèle mathématique pour évaluer les cours que les instructeurs peuvent utiliser pour juger de l’efficacité du contenu.
Note de contenu : Sommaire
Introduction .................................................................................................................... 1
2. Problématique................................................................................................................. 1
3. Organisation du Mémoire............................................................................................... 2
Chapitre 1:E-Learning, Mooc et cours adaptatifs
1. Introduction .................................................................................................................... 3
2. E-Learning ou apprentissage en ligne ............................................................................ 3
2.1. Historique ................................................................................................................ 3
2.2. Définition de E-learning : ....................................................................................... 4
2.3. Définition de l’apprentissage traditionnel ............................................................... 5
2.4. L’apprentissage en ligne vers l’apprentissage traditionnel ..................................... 5
2.4.1. Les Avantages de l'apprentissage en ligne ...................................................... 5
2.4.2. Les inconvénients ............................................................................................ 6
2.4.3. Les Avantages de l’apprentissage traditionnel ................................................ 6
2.4.4. Les inconvénients ............................................................................................ 7
2.5. Les acteurs de E-Learning : .................................................................................... 8
3. MOOC ............................................................................................................................ 9
3.1. Introduction ............................................................................................................. 9
3.2. Historique ................................................................................................................ 9
3.3. Définition .............................................................................................................. 10
3.4. Les caractéristiques des MOOCs .......................................................................... 10
3.5. Plates-formes logicielles ....................................................................................... 12
4. Les cours adaptifs en ligne ........................................................................................... 15
4.1. Introduction ........................................................................................................... 15
4.2. Définition .............................................................................................................. 15
4.3. Systèmes éducatifs en ligne .................................................................................. 15
4.4. Méthodologie du cours adapté .............................................................................. 16
4.4.1. Hypermédia adaptatif .................................................................................... 16
4.4.2. Annotation adaptative .................................................................................... 17
4.4.3. Système de recommandation adaptative ....................................................... 17
4.4.4. Navigation Web adaptative ........................................................................... 17
4.4.5. Rétroaction adaptative ................................................................................... 17
5. Conclusion :.................................................................................................................. 18
Chapitre2: Data Mining et data Mining Educative
1. Introduction .................................................................................................................. 19
2. Data Mining.................................................................................................................. 19
2.1. Définition .............................................................................................................. 19
2.2. Le processus de Data Mining ................................................................................ 19
2.3. Les techniques de Data Mining ............................................................................ 22
3. Data Mining Educative (EDM) .................................................................................... 24
3.1. Introduction ........................................................................................................... 24
3.2. Définition .............................................................................................................. 24
3.3. Domaine de data Mining éducatives ..................................................................... 25
3.4. Le processus d’application de l’EDM .................................................................. 27
3.5. L’application des techniques de data Mining dans les systèmes éducatifs :......... 28
3.6. Les techniques du Data Mining dans le E-Learning ............................................. 29
3.6.1. Clustering ...................................................................................................... 30
3.6.2. Visualization .................................................................................................. 30
3.6.3. Classification et prédiction ............................................................................ 30
3.6.3.1. Classification ............................................................................................. 30
3.6.3.2. Prédiction ................................................................................................... 31
3.6.4. Relationship Mining ...................................................................................... 32
3.7. Synthèse ................................................................................................................ 32
3.8. Synthèse des travaux de la conférence EDM (2008 -2019) .................................. 32
4. Conclusion :.................................................................................................................. 33
Chapitre3: Conception d'un modèle d'évaluation des cours adaptatifs
1. Introduction .................................................................................................................. 34
2. Principe d’évaluation des cours adaptatifs en ligne : ................................................... 34
3. Exigences métriques pour les cours adaptés ................................................................ 35
4. Notre contribution ........................................................................................................ 36
5. L’architecture des Cours et saisie des données : .......................................................... 38
6. Quantités Q ................................................................................................................... 39
7. Dérivation des quantités à partir des données .............................................................. 39
7.1. Quantifier la navigation de l’utilisateur ................................................................ 40
7.2. Quantifier le comportement de l’utilisateur .......................................................... 40
7.2.1. Le temps passé ............................................................................................... 40
7.2.2. Taux d’achèvement........................................................................................ 41
7.2.3. Engagement : ................................................................................................. 41
7.3. Quantifier la performance de l’utilisateur ............................................................. 42
7.3.1.Performance du quizz : ........................................................................................ 42
7.3.2.La performance vChips ....................................................................................... 43
8. Conclusion ....................................................................................................................... 43
Chapitre4: Implémentation et évaluation du modèle
1. Introduction .................................................................................................................. 44
2. Implémentation la Métrique d’évaluation des cours adaptatifs ................................... 44
2.1. Prétraitement des données .................................................................................... 44
2.2. Environnement de travail ...................................................................................... 45
2.2.1. Python ............................................................................................................ 45
2.2.2. Caractéristiques du langage ........................................................................... 45
2.2.3. Jupyter NoteBook .......................................................................................... 46
3. Discussion sur les résultats ........................................................................................... 46
3.1. Résultat Quantifier la navigation de l’utilisateur .................................................. 46
3.1.1. Unité à l’unité ................................................................................................ 46
3.2. Résultat Quantifier le Comportement de l’utilisateur ........................................... 48
3.2.1. Le temps passé ............................................................................................... 48
3.2.2. Le taux d’achèvement .................................................................................... 49
3.2.3. Engagement ................................................................................................... 50
3.3. Résultat quantifier la performance de l’utilisateur................................................ 51
3.4. Corrélation des quantités ...................................................................................... 52
3.4.1. Corrélation dans les types de quantité ........................................................... 52
3.4.2. corrélation entre les types de quantité ........................................................... 54
4. Conclusion .................................................................................................................... 55
Conclusion générale
Conclusion Générale............................................................................................................ 56
Bibliographie ....................................................................................................................... 57Côte titre : MAI/0291 En ligne : https://drive.google.com/file/d/1PZ-XJLEtVq2x7_RDzeubRNhJScqqa2zX/view?usp=shari [...] Format de la ressource électronique : Principes d'évaluation des cours adaptatifs en ligne [texte imprimé] / Khenat, Radja, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (57 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Data Mining éducative
les cours adaptatifs en ligneIndex. décimale : 004 Informatique Résumé : Les cours adaptatifs en ligne sont conçus pour personnaliser automatiquement les cours en ligne pour différents utilisateurs, généralement en fonction des données saisies au cours du cours. L'évaluation de la qualité de ces cours d'adaptation peut être difficile avec les méthodes d'évaluation traditionnelles telles que la comparaison avec l'objectif de l'éducation, la connaissance interne des utilisateurs qui ne peut être mesurée. Les mesures éducatives telles que les scores au quiz ne sont pas suffisamment prises en compte. Dans ce travail, nous présentons un modèle mathématique pour évaluer les cours que les instructeurs peuvent utiliser pour juger de l’efficacité du contenu.
Note de contenu : Sommaire
Introduction .................................................................................................................... 1
2. Problématique................................................................................................................. 1
3. Organisation du Mémoire............................................................................................... 2
Chapitre 1:E-Learning, Mooc et cours adaptatifs
1. Introduction .................................................................................................................... 3
2. E-Learning ou apprentissage en ligne ............................................................................ 3
2.1. Historique ................................................................................................................ 3
2.2. Définition de E-learning : ....................................................................................... 4
2.3. Définition de l’apprentissage traditionnel ............................................................... 5
2.4. L’apprentissage en ligne vers l’apprentissage traditionnel ..................................... 5
2.4.1. Les Avantages de l'apprentissage en ligne ...................................................... 5
2.4.2. Les inconvénients ............................................................................................ 6
2.4.3. Les Avantages de l’apprentissage traditionnel ................................................ 6
2.4.4. Les inconvénients ............................................................................................ 7
2.5. Les acteurs de E-Learning : .................................................................................... 8
3. MOOC ............................................................................................................................ 9
3.1. Introduction ............................................................................................................. 9
3.2. Historique ................................................................................................................ 9
3.3. Définition .............................................................................................................. 10
3.4. Les caractéristiques des MOOCs .......................................................................... 10
3.5. Plates-formes logicielles ....................................................................................... 12
4. Les cours adaptifs en ligne ........................................................................................... 15
4.1. Introduction ........................................................................................................... 15
4.2. Définition .............................................................................................................. 15
4.3. Systèmes éducatifs en ligne .................................................................................. 15
4.4. Méthodologie du cours adapté .............................................................................. 16
4.4.1. Hypermédia adaptatif .................................................................................... 16
4.4.2. Annotation adaptative .................................................................................... 17
4.4.3. Système de recommandation adaptative ....................................................... 17
4.4.4. Navigation Web adaptative ........................................................................... 17
4.4.5. Rétroaction adaptative ................................................................................... 17
5. Conclusion :.................................................................................................................. 18
Chapitre2: Data Mining et data Mining Educative
1. Introduction .................................................................................................................. 19
2. Data Mining.................................................................................................................. 19
2.1. Définition .............................................................................................................. 19
2.2. Le processus de Data Mining ................................................................................ 19
2.3. Les techniques de Data Mining ............................................................................ 22
3. Data Mining Educative (EDM) .................................................................................... 24
3.1. Introduction ........................................................................................................... 24
3.2. Définition .............................................................................................................. 24
3.3. Domaine de data Mining éducatives ..................................................................... 25
3.4. Le processus d’application de l’EDM .................................................................. 27
3.5. L’application des techniques de data Mining dans les systèmes éducatifs :......... 28
3.6. Les techniques du Data Mining dans le E-Learning ............................................. 29
3.6.1. Clustering ...................................................................................................... 30
3.6.2. Visualization .................................................................................................. 30
3.6.3. Classification et prédiction ............................................................................ 30
3.6.3.1. Classification ............................................................................................. 30
3.6.3.2. Prédiction ................................................................................................... 31
3.6.4. Relationship Mining ...................................................................................... 32
3.7. Synthèse ................................................................................................................ 32
3.8. Synthèse des travaux de la conférence EDM (2008 -2019) .................................. 32
4. Conclusion :.................................................................................................................. 33
Chapitre3: Conception d'un modèle d'évaluation des cours adaptatifs
1. Introduction .................................................................................................................. 34
2. Principe d’évaluation des cours adaptatifs en ligne : ................................................... 34
3. Exigences métriques pour les cours adaptés ................................................................ 35
4. Notre contribution ........................................................................................................ 36
5. L’architecture des Cours et saisie des données : .......................................................... 38
6. Quantités Q ................................................................................................................... 39
7. Dérivation des quantités à partir des données .............................................................. 39
7.1. Quantifier la navigation de l’utilisateur ................................................................ 40
7.2. Quantifier le comportement de l’utilisateur .......................................................... 40
7.2.1. Le temps passé ............................................................................................... 40
7.2.2. Taux d’achèvement........................................................................................ 41
7.2.3. Engagement : ................................................................................................. 41
7.3. Quantifier la performance de l’utilisateur ............................................................. 42
7.3.1.Performance du quizz : ........................................................................................ 42
7.3.2.La performance vChips ....................................................................................... 43
8. Conclusion ....................................................................................................................... 43
Chapitre4: Implémentation et évaluation du modèle
1. Introduction .................................................................................................................. 44
2. Implémentation la Métrique d’évaluation des cours adaptatifs ................................... 44
2.1. Prétraitement des données .................................................................................... 44
2.2. Environnement de travail ...................................................................................... 45
2.2.1. Python ............................................................................................................ 45
2.2.2. Caractéristiques du langage ........................................................................... 45
2.2.3. Jupyter NoteBook .......................................................................................... 46
3. Discussion sur les résultats ........................................................................................... 46
3.1. Résultat Quantifier la navigation de l’utilisateur .................................................. 46
3.1.1. Unité à l’unité ................................................................................................ 46
3.2. Résultat Quantifier le Comportement de l’utilisateur ........................................... 48
3.2.1. Le temps passé ............................................................................................... 48
3.2.2. Le taux d’achèvement .................................................................................... 49
3.2.3. Engagement ................................................................................................... 50
3.3. Résultat quantifier la performance de l’utilisateur................................................ 51
3.4. Corrélation des quantités ...................................................................................... 52
3.4.1. Corrélation dans les types de quantité ........................................................... 52
3.4.2. corrélation entre les types de quantité ........................................................... 54
4. Conclusion .................................................................................................................... 55
Conclusion générale
Conclusion Générale............................................................................................................ 56
Bibliographie ....................................................................................................................... 57Côte titre : MAI/0291 En ligne : https://drive.google.com/file/d/1PZ-XJLEtVq2x7_RDzeubRNhJScqqa2zX/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0291 MAI/0291 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Regroupement des éléments éducatifs à partir des données de réponse Type de document : texte imprimé Auteurs : Smaani Alem,Nassima, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (87 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Exploration de données éducatives
Modèle d'apprentissage
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
Les techniques du data mining educative sont très utiles pour analyser les performances
de l’apprenant afin d’optimiser l’approche du mappage des compétences.cette
dernière regroupe les éléments similaires dans la même composante de connaissance
(KC), le calcul d’un degré de similarité entre les éléments éducatifs aide à optimiser
la réussite de l’apprenant en identifiant la composante de connaissance, ce degré
peut être utilisé comme une donnée pour le regroupement ou la visualisation future,
la similarité entre les éléments est calculée avec différentes mesures basées sur la
justesse de la réponse (correcte / incorrecte),
Dans ce travail, nous proposons une variation du coefficient de Pearson pour
mesurer la similarité des items en appliquant un score de pénalité qui est calculé Ã
partir du nombre de demande d’aides pris par l’apprenant pendant la résolution des
items i et j. Nous avons également proposé une réduction de la dimensionnalité avec
des AutoEcodeurs profonds pour améliorer le clustering.
Les résultats obtenus montrent que la mise en grappes basée sur le coefficient de
Pearson pénalisé et la réduction de dimensionnalité profonde PPC et DDR est plus
performante que la mise en grappes basée sur des mesures de similarité couramment
utilisées (Pearson, Yule et Kappa)..
iiiCôte titre : MAI/0400 En ligne : https://drive.google.com/file/d/16bGMJbtnRFPVT5CytwQXnBdJWolis0tB/view?usp=shari [...] Format de la ressource électronique : Regroupement des éléments éducatifs à partir des données de réponse [texte imprimé] / Smaani Alem,Nassima, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (87 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Exploration de données éducatives
Modèle d'apprentissage
Apprentissage automatiqueIndex. décimale : 004 - Informatique Résumé :
Les techniques du data mining educative sont très utiles pour analyser les performances
de l’apprenant afin d’optimiser l’approche du mappage des compétences.cette
dernière regroupe les éléments similaires dans la même composante de connaissance
(KC), le calcul d’un degré de similarité entre les éléments éducatifs aide à optimiser
la réussite de l’apprenant en identifiant la composante de connaissance, ce degré
peut être utilisé comme une donnée pour le regroupement ou la visualisation future,
la similarité entre les éléments est calculée avec différentes mesures basées sur la
justesse de la réponse (correcte / incorrecte),
Dans ce travail, nous proposons une variation du coefficient de Pearson pour
mesurer la similarité des items en appliquant un score de pénalité qui est calculé Ã
partir du nombre de demande d’aides pris par l’apprenant pendant la résolution des
items i et j. Nous avons également proposé une réduction de la dimensionnalité avec
des AutoEcodeurs profonds pour améliorer le clustering.
Les résultats obtenus montrent que la mise en grappes basée sur le coefficient de
Pearson pénalisé et la réduction de dimensionnalité profonde PPC et DDR est plus
performante que la mise en grappes basée sur des mesures de similarité couramment
utilisées (Pearson, Yule et Kappa)..
iiiCôte titre : MAI/0400 En ligne : https://drive.google.com/file/d/16bGMJbtnRFPVT5CytwQXnBdJWolis0tB/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0400 MAI/0400 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) Type de document : texte imprimé Auteurs : Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Traçage des Connaissances Profond Deep Knowledge Tracing (DKT) [texte imprimé] / Dahoua, Nesrine, Auteur ; Harbouche,Khadidja, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseau de neurones
Deep learning
Fouille de données
Fouille de données éducative
Traçage des connaissancesttraçage des connaissances profond (DKT)
prédiction des performances des élèvesIndex. décimale : 004 - Informatique Résumé : Résumé
Au cours des deux dernières décennies, il y a eu une grande variété d'approches pour la modélisation des connaissances des apprenants dans des systèmes de tutorat intelligents. En raison de la croissance de l'apprentissage en profondeur et des réseaux neuronaux artificiels à grande échelle, un certain nombre d'applications d'apprentissage automatique et de fouille de données ont connu des succès empiriques, y compris la modélisation des connaissances des étudiants. Dans ce mémoire, Nous avons étudié et appliqué un modèle de data mining éducative connu sous le nom de traçage des connaissances profond (DKT). Ce modèle a été utilisé pour évaluer et prédire les performances de l’apprenant. Le DKT est une nouvelle génération de réseau de neurones et des problèmes de prédiction de séquence, qui est composé de plusieurs couches récurrentes. Techniquement ce réseau est baptisé LSTM. Ce dernier a été réalisé sur un dataset (Assistments 2009-2010) afin de favoriser la prédiction des performances des étudiants.Note de contenu : Sommaire
Problématique................................................................................................................... 1
1.2 Organisation du mémoire ................................................................................................. 2
Chapitre 01: Le Deep Learning
1. Introduction ........................................................................................................................... 3
2. Les réseaux de neurones artificiels....................................................................................... 3
2.1 Rosenblatts Perceptron ..................................................................................................... 4
2.2 Architectures des réseaux neuronaux ............................................................................... 6
2.2.1 Réseaux Feed forward............................................................................................... 6
2.2.2 Réseaux récurrents .................................................................................................... 7
2.3 Sur apprentissage, sous-apprentissage et régularisation .................................................. 9
3. Deep Learning ...................................................................................................................... 10
3.1 Définition ....................................................................................................................... 11
 Définition 1 : .................................................................................................................. 11
 Définition 2 : .................................................................................................................. 11
 Définition 3 : .................................................................................................................. 11
3.2 Les classes de Deep Learning ........................................................................................ 11
 Réseaux profonds pour l'apprentissage supervisé .......................................................... 11
 Réseaux profonds pour l'apprentissage non supervisé ou génératif ............................... 12
 Réseaux profonds hybrides ............................................................................................ 12
3.3 Architectures de réseau profondes ................................................................................. 12
3.3.1 Machine Boltzmann ................................................................................................ 12
3.3.2 Autoencodeurs (AE) ............................................................................................... 13
 Autoencodeurs de base ................................................................................................... 13
 Denoising Autoencodeurs(DAE) ................................................................................... 14
 Contractive Autoencodeurs(CAE) ................................................................................. 15
3.3.3 Deep belief network ................................................................................................ 15
3.3.4 Réseaux de neurones convolutionnels(CNN) ......................................................... 15
 Convolutional layer ........................................................................................................ 16
 Relu layer (Rectified Linear Units) ................................................................................ 16
 Pooling layer .................................................................................................................. 16
 Batch normalisation........................................................................................................ 17
 Dropout Layer ................................................................................................................ 17
 Dense Layer (Fully connected feed-forward neural network) ....................................... 18
4. Conclusion ............................................................................................................................ 18
Chapitre 02: Data Mining éducative
1. Introduction ......................................................................................................................... 19
2. Data mining ......................................................................................................................... 19
2.1 Définition ....................................................................................................................... 19
2.2 Les techniques ................................................................................................................ 20
 Classification .............................................................................................................. 20
 Clustering.................................................................................................................... 20
 Prédication .................................................................................................................. 20
 Règle d’association ..................................................................................................... 21
 Réseaux de neurone .................................................................................................... 21
 Arbres de décision ...................................................................................................... 21
3. Les systèmes tutoriels intelligents (STI) ............................................................................ 22
3.1 Définition ....................................................................................................................... 22
3.2 L’architecture d’un STI .................................................................................................. 22
4. Data mining Educatifs ........................................................................................................ 23
4.1 Domaine de data Mining éducatives .............................................................................. 24
4.2 Méthodes de data Mining éducatifs (EDM) ................................................................... 25
 Prediction .................................................................................................................... 26
 Clustering.................................................................................................................... 27
 Relationship mining .................................................................................................... 27
 Découverte avec des modèles ..................................................................................... 28
 Distillation des données pour le jugement humain. .................................................... 28
5. Modélisation de l'apprentissage des élèves ....................................................................... 28
6. Prédiction des performances ................................................................................................. 29
6.1 Définition ....................................................................................................................... 29
6.2 Les méthodes de prédiction utilisées pour la performance des élèves ........................... 29
 Arbre de décision ........................................................................................................ 30
 Réseau neural .............................................................................................................. 30
 Naive Bayes ................................................................................................................ 30
 K-Plus proche voisin .................................................................................................. 31
 Support Vector Machine ............................................................................................. 31
7. Traçage des connaissances ................................................................................................. 32
8. Conclusion ........................................................................................................................... 33
Chapitre 03: Conception d’un Système de traçage des connaissances
1. Introduction ......................................................................................................................... 34
2. Traçage des connaissances profond ................................................................................... 34
3. Préparation du jeu de donnée............................................................................................. 36
3.1 Assistments skill builder ................................................................................................ 36
3.1 Visualisation exploratoire .............................................................................................. 38
3.2 Pré traitement du dataset ................................................................................................ 40
4. Conclusion ............................................................................................................................ 42
Chapitre 04: Implémentation et Evaluation du Modèle
1. Introduction ......................................................................................................................... 43
2. Architecture du réseau LSTM ............................................................................................ 43
2.1 Modèle ............................................................................................................................ 43
2.2 Séries temporelles d'entrée et de sortie .......................................................................... 44
2.3 Optimisation ................................................................................................................... 45
3. L'implémentation du Framework LTSM.......................................................................... 46
3.1 Deep Learning et GPU Training .................................................................................... 46
3.2 Les framworks de deep Learning ................................................................................... 46
3.2.1 Tensorflow .............................................................................................................. 46
3.2.2 Theano..................................................................................................................... 48
3.2.3 Keras ....................................................................................................................... 48
3.3 Pourquoi Keras? Bibliothèque Deep Learning pour Theano et TensorFlow ................. 48
4. Environnement de travail ...................................................................................................... 49
4.1 Python............................................................................................................................. 49
 Caractéristiques du langage :.......................................................................................... 49
 Jupyter notebook ............................................................................................................ 50
5. Implémentation ................................................................................................................... 50
5.1 L'architecture du modèle Keras ...................................................................................... 51
5.2 Métriques d'évaluation ................................................................................................... 52
5.3 Modèle de Keras compilant............................................................................................ 52
5.4 Entrainement du modèle keras ....................................................................................... 53
 Raffinement .......................................................................... 53
6. Résultat ............................................................................................................. 54
6.1 Résultats de l'apprentissage ............................................................................................ 55
6.2 Résultats de testes........................................................................................................... 56
6.3 Meilleur réseau profond ................................................................................................. 57
7. ConclusionCôte titre : MAI/0248 En ligne : https://drive.google.com/file/d/1jKBBmY3gIuJxfrqXbr-wEN3JbzMyX564/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0248 MAI/0248 Mémoire Bibliothéque des sciences Français Disponible
Disponible