University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Dahoua, Nesrine |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
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
