University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Lalama ,zahia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Clustering de données en utilisant les algorithmes de clustering Type de document : texte imprimé Auteurs : Bahri ,Oussama, Auteur ; Lalama ,zahia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (54f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
K-means
DBSCAN
HierarchicalIndex. décimale : 004 - Informatique Résumé : Dans ce travail, notre motivation a été d’étudier la problématique de clustering, qui a un champ d’applications très larges. Donc nous avons testé des techniques de clustering l’algorithme de clustering K-means, et l’algorithme de clustering hiérarchique, et l’algorithme de clustering DBSCAN et nous appliquons sur une Dataset (iris).
Nous avons utilisée dans notre travail une Language java nous comparé Les résultats obtenus à partir ces algorithmesNote de contenu : Sommaire
Chapitre 1: Généralisées sur la classification de données
Introduction général ----------------------------------------------------------------------------------------- 7
1.1 Introduction -------------------------------------------------------------------------------------- 10
1.2 Définition ------------------------------------------------------------------------------------------ 10
1.3 Domaines d’application ----------------------------------------------------------------------- 11
1.4 Mesure de similarité entre objets ----------------------------------------------------------- 12
1.5 Apprentissage ------------------------------------------------------------------------------------ 16
1.5.1 Apprentissage supervisé ----------------------------------------------------------------- 16
1.5.1.1 Principe --------------------------------------------------------------------------------- 17
1.6 Présentation de quelques méthodes de classification ---------------------------------- 18
1.6.1 K plus proches voisins ------------------------------------------------------------------- 18
1.6.2 Les réseaux de neurones artificiels --------------------------------------------------- 20
1.6.3 Les arbres de décision -------------------------------------------------------------------- 22
1.6.4 Les algorithmes génétiques ------------------------------------------------------------- 22
1.7 Conclusion ---------------------------------------------------------------------------------------- 24
Chapitre 2 : Classification non supervisée de données(Clustering)
2.1 Introduction -------------------------------------------------------------------------------------- 26
2.2 Apprentissage non supervisé ----------------------------------------------------------------- 26
2.2.1 Définition ------------------------------------------------------------------------------------ 26
2.2.2 Principe général --------------------------------------------------------------------------- 26
2.3 Les exigences de Clustering ------------------------------------------------------------------ 27
2.4 LES TYPES DE CLUSTERING------------------------------------------------------------ 27
2.5 Les principales étapes du clustering ------------------------------------------------------ 29
2.6 Les différentes méthodes de clustering ---------------------------------------------------- 32
2.6.1 K-means ---------------------------------------------------------------------------------------- 33
2.6.1.1 Principe de l’algorithme K-means ---------------------------------------------------- 33
2.6.2 Le clustering hiérarchique ----------------------------------------------------------------- 35
2.6.2.1 Algorithme de CHA --------------------------------------------------------------------- 35
2.6.2.2 Avantages et inconvénient de la classification hiérarchique -------------------- 36
2.6.3 L’algorithme de clustering DBSCAN --------------------------------------------------- 37
2.6.4 L’Algorithme DBSCAN ----------------------------------------------------------------- 38
2.6.4.1 Avantage et inconvénients du DBSCAN ----------------------------------------- 39
2.7 Conclusion ---------------------------------------------------------------------------------------- 40
Chapitre 3 : conception et implémentation
3.1 Introduction -------------------------------------------------------------------------------------- 42
3.1 Comparaison entre les algorithmes de clustering ------------------------------------- 43
3.2 Les données --------------------------------------------------------------------------------------- 44
3.3 Outils de développement: ------------------------------------------------------------------------ 45
3.4 Interface d’accueille ---------------------------------------------------------------------------- 46
3.5 Résulta et Expérimentation Interface d’accueille-------------------------------------- 46
3.6 Conclusion ---------------------------------------------------------------------------------------- 50
7 Conclusion générale et perspectives ----------------------------------------------------------------- 52
4 Résumé -------------------------------------------------------------------------------------------------- 53
Bibliographies ----------------------------------------------------------------------------------------------- 54
Côte titre : MAI/0337 En ligne : https://drive.google.com/file/d/1jGKPjPmeCupwGOTJsaVM8rEVb4IN1Ifn/view?usp=shari [...] Format de la ressource électronique : Clustering de données en utilisant les algorithmes de clustering [texte imprimé] / Bahri ,Oussama, Auteur ; Lalama ,zahia, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (54f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
K-means
DBSCAN
HierarchicalIndex. décimale : 004 - Informatique Résumé : Dans ce travail, notre motivation a été d’étudier la problématique de clustering, qui a un champ d’applications très larges. Donc nous avons testé des techniques de clustering l’algorithme de clustering K-means, et l’algorithme de clustering hiérarchique, et l’algorithme de clustering DBSCAN et nous appliquons sur une Dataset (iris).
Nous avons utilisée dans notre travail une Language java nous comparé Les résultats obtenus à partir ces algorithmesNote de contenu : Sommaire
Chapitre 1: Généralisées sur la classification de données
Introduction général ----------------------------------------------------------------------------------------- 7
1.1 Introduction -------------------------------------------------------------------------------------- 10
1.2 Définition ------------------------------------------------------------------------------------------ 10
1.3 Domaines d’application ----------------------------------------------------------------------- 11
1.4 Mesure de similarité entre objets ----------------------------------------------------------- 12
1.5 Apprentissage ------------------------------------------------------------------------------------ 16
1.5.1 Apprentissage supervisé ----------------------------------------------------------------- 16
1.5.1.1 Principe --------------------------------------------------------------------------------- 17
1.6 Présentation de quelques méthodes de classification ---------------------------------- 18
1.6.1 K plus proches voisins ------------------------------------------------------------------- 18
1.6.2 Les réseaux de neurones artificiels --------------------------------------------------- 20
1.6.3 Les arbres de décision -------------------------------------------------------------------- 22
1.6.4 Les algorithmes génétiques ------------------------------------------------------------- 22
1.7 Conclusion ---------------------------------------------------------------------------------------- 24
Chapitre 2 : Classification non supervisée de données(Clustering)
2.1 Introduction -------------------------------------------------------------------------------------- 26
2.2 Apprentissage non supervisé ----------------------------------------------------------------- 26
2.2.1 Définition ------------------------------------------------------------------------------------ 26
2.2.2 Principe général --------------------------------------------------------------------------- 26
2.3 Les exigences de Clustering ------------------------------------------------------------------ 27
2.4 LES TYPES DE CLUSTERING------------------------------------------------------------ 27
2.5 Les principales étapes du clustering ------------------------------------------------------ 29
2.6 Les différentes méthodes de clustering ---------------------------------------------------- 32
2.6.1 K-means ---------------------------------------------------------------------------------------- 33
2.6.1.1 Principe de l’algorithme K-means ---------------------------------------------------- 33
2.6.2 Le clustering hiérarchique ----------------------------------------------------------------- 35
2.6.2.1 Algorithme de CHA --------------------------------------------------------------------- 35
2.6.2.2 Avantages et inconvénient de la classification hiérarchique -------------------- 36
2.6.3 L’algorithme de clustering DBSCAN --------------------------------------------------- 37
2.6.4 L’Algorithme DBSCAN ----------------------------------------------------------------- 38
2.6.4.1 Avantage et inconvénients du DBSCAN ----------------------------------------- 39
2.7 Conclusion ---------------------------------------------------------------------------------------- 40
Chapitre 3 : conception et implémentation
3.1 Introduction -------------------------------------------------------------------------------------- 42
3.1 Comparaison entre les algorithmes de clustering ------------------------------------- 43
3.2 Les données --------------------------------------------------------------------------------------- 44
3.3 Outils de développement: ------------------------------------------------------------------------ 45
3.4 Interface d’accueille ---------------------------------------------------------------------------- 46
3.5 Résulta et Expérimentation Interface d’accueille-------------------------------------- 46
3.6 Conclusion ---------------------------------------------------------------------------------------- 50
7 Conclusion générale et perspectives ----------------------------------------------------------------- 52
4 Résumé -------------------------------------------------------------------------------------------------- 53
Bibliographies ----------------------------------------------------------------------------------------------- 54
Côte titre : MAI/0337 En ligne : https://drive.google.com/file/d/1jGKPjPmeCupwGOTJsaVM8rEVb4IN1Ifn/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0337 MAI/0337 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Optimisation De La Localisation Dans Les Reseaux de Capteurs Sans Fil Type de document : texte imprimé Auteurs : zahrat-el-dounia Kebaili, Auteur ; Houria Imene Bourouba, Auteur ; Lalama ,zahia, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (60 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Un réseau de capteurs est un ensemble coopérant de
noeuds capteurs utilisant des communications sans fil
dans le cadre d’un réseaux. Chaque noeud comporte un
capteur permettant d’observer un phénomène. Cette technologie
a ouvert de nouvelles perspectives applicatives
variées dans de nombreux domaines (militaires, domotiques,
environnementales, etc.). Cependant, son exploitation
reste difficile et pose beaucoup de problèmes. Les
difficultés se situent au niveau algorithmique, localisation,
déploiement, collecte/fusion de données . La connaissance
des positions des senseurs dans l’environnement
est souvent souhaitable.
Les travaux présentés se concentrent sur l’étude et la
mise en oeuvre de nouveaux algorithmes distribués qui
utilisent les méta-heuristiques bio-inspirées pour résoudre
le problème de localisation.
Dans ce memoire , nous adaptons la méta-heuristique
de l’algorithme doptimisation par des essaims de particules
(PSO) pour optimiser la position estimée par la
techniques de localisation (CENTROIDE).Côte titre : MAI/0726 En ligne : https://drive.google.com/file/d/15s7tvkSwkfZaPR6-0NF-Q8_pKdTQEIlJ/view?usp=drive [...] Format de la ressource électronique : Optimisation De La Localisation Dans Les Reseaux de Capteurs Sans Fil [texte imprimé] / zahrat-el-dounia Kebaili, Auteur ; Houria Imene Bourouba, Auteur ; Lalama ,zahia, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (60 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Un réseau de capteurs est un ensemble coopérant de
noeuds capteurs utilisant des communications sans fil
dans le cadre d’un réseaux. Chaque noeud comporte un
capteur permettant d’observer un phénomène. Cette technologie
a ouvert de nouvelles perspectives applicatives
variées dans de nombreux domaines (militaires, domotiques,
environnementales, etc.). Cependant, son exploitation
reste difficile et pose beaucoup de problèmes. Les
difficultés se situent au niveau algorithmique, localisation,
déploiement, collecte/fusion de données . La connaissance
des positions des senseurs dans l’environnement
est souvent souhaitable.
Les travaux présentés se concentrent sur l’étude et la
mise en oeuvre de nouveaux algorithmes distribués qui
utilisent les méta-heuristiques bio-inspirées pour résoudre
le problème de localisation.
Dans ce memoire , nous adaptons la méta-heuristique
de l’algorithme doptimisation par des essaims de particules
(PSO) pour optimiser la position estimée par la
techniques de localisation (CENTROIDE).Côte titre : MAI/0726 En ligne : https://drive.google.com/file/d/15s7tvkSwkfZaPR6-0NF-Q8_pKdTQEIlJ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0726 MAI/0726 Mémoire Bibliothéque des sciences Français Disponible
Disponible
