Différentes Mesures de Similarité pour le Clustering des Séries Temporelles / Assia Bouizane  

Public ISBD Titre : Différentes Mesures de Similarité pour le Clustering des Séries Temporelles Type de document : texte imprimé Auteurs : Assia Bouizane, Auteur ; Yamina Khemal Bencheikh, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (47 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Clustering Séries Temporelles Pandémie Coronavirus Covid-19 Index. décimale : 510 - Mathématique Résumé : Le traitement de données séquentielles représente une part importante des problèmes abordés en apprentissage automatique. Les méthodes classiques du clustering ne sont pas toujours adaptées aux caractéristiques de ces données temporelles (séquentialité, relations entre exemples d’apprentissage...). Le clustering vise à diviser un ensemble en différents groupes homogènes, en ce sens que les données de chaque sous ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (ou similarité) que l’on définit en introduisant des mesures de similarité entre objets. La contribution présentée dans ce travail se focalise sur le choix de la « bonne » mesure de similarité car celle-ci définit le niveau de similarité entre objets. Le manuscrit s’ouvre sur une description des différentes approches du clustering. Une revue des différentes mesures de similarités traitées dans la littérature est également donnée. La mesure IMsDTW a été retenue munie de l’algorithme des K-medoids pour faire le clustering des pays les plus touchés par la pandémie du Coronavirus Covid-19. Cette étude a été complétée par un clustering hiérarchique à des fins de comparaison de méthodes. Côte titre : MAM/0434 En ligne : https://drive.google.com/file/d/1cULtBKRQtYFs0Dl74Iax3d60gOREBa29/view?usp=shari [...] Format de la ressource électronique : pdf Différentes Mesures de Similarité pour le Clustering des Séries Temporelles [texte imprimé] / Assia Bouizane, Auteur ; Yamina Khemal Bencheikh, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (47 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Clustering Séries Temporelles Pandémie Coronavirus Covid-19 Index. décimale : 510 - Mathématique Résumé : Le traitement de données séquentielles représente une part importante des problèmes abordés en apprentissage automatique. Les méthodes classiques du clustering ne sont pas toujours adaptées aux caractéristiques de ces données temporelles (séquentialité, relations entre exemples d’apprentissage...). Le clustering vise à diviser un ensemble en différents groupes homogènes, en ce sens que les données de chaque sous ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (ou similarité) que l’on définit en introduisant des mesures de similarité entre objets. La contribution présentée dans ce travail se focalise sur le choix de la « bonne » mesure de similarité car celle-ci définit le niveau de similarité entre objets. Le manuscrit s’ouvre sur une description des différentes approches du clustering. Une revue des différentes mesures de similarités traitées dans la littérature est également donnée. La mesure IMsDTW a été retenue munie de l’algorithme des K-medoids pour faire le clustering des pays les plus touchés par la pandémie du Coronavirus Covid-19. Cette étude a été complétée par un clustering hiérarchique à des fins de comparaison de méthodes. Côte titre : MAM/0434 En ligne : https://drive.google.com/file/d/1cULtBKRQtYFs0Dl74Iax3d60gOREBa29/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAM/0434	MAM/0434	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)