Nouvelle approche d’extraction de connaissance par la méthode des règles d’association / Mohand Arezki Omari  

Public ISBD Titre : Nouvelle approche d’extraction de connaissance par la méthode des règles d’association Type de document : texte imprimé Auteurs : Mohand Arezki Omari, Auteur ; Oussama Moufoued ; Bilal Bouaita, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (49 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : KDD data mining Complexity Apriori algorithm Association rules Optimize. Index. décimale : 004 - Informatique Résumé : L'extraction de connaissances à partir des données (ECD) peut être confrontée à des problèmes de temps d'exécution et d'espace mémoire en raison de la complexité des algorithmes et de la taille des ensembles de données. Certains algorithmes utilisés dans l'ECD peuvent être très gourmands en termes de temps de calcul, en particulier lorsque les ensembles de données sont volumineux. Par exemple, les algorithmes de fouille de donnée complexes tels que l'algorithme Apriori pour les règles d'association ou l'algorithme k-means pour le clustering peuvent nécessiter un temps de calcul considérable, en particulier si les données sont massives. L'ECD peut nécessiter une grande quantité d'espace mémoire pour stocker les ensembles de données, les structures d'index et les résultats intermédiaires. Lorsque les données sont de grande taille, cela peut poser des problèmes de mémoire, en particulier si les ressources disponibles sont limitées. Les contraintes de mémoire peuvent entraîner des ralentissements ou des échecs d'exécution de l'algorithme. Le nouvel algorithme vise à optimiser le temps d'exécution et à réduire l'espace mémoire = Knowledge extraction from data (KDD) can face challenges related to execution time and memory space due to the complexity of algorithms and the size of data sets. Some algorithms used in KDD can be computationally intensive, especially when dealing with large data sets. For instance, complex data mining algorithms like the Apriori algorithm for association rules or the k-means algorithm for clustering can require signicant computation time, particularly when dealing with massive data. KDD may require a substantial amount of memory space to store data sets, index structures, and intermediate results. When working with large-scale data, this can lead to memory issues, especially if the available resources are limited. Memory constraints can result in slowdowns or execution failures of the algorithm.The new algorithm aims to optimize execution time and reduce memory space requirements. Côte titre : MAI/0777 En ligne : https://drive.google.com/file/d/1yVgTafsdxZ1NygIjgceegiAHLXDdh1sZ/view?usp=drive [...] Format de la ressource électronique : pdf Nouvelle approche d’extraction de connaissance par la méthode des règles d’association [texte imprimé] / Mohand Arezki Omari, Auteur ; Oussama Moufoued ; Bilal Bouaita, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (49 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : KDD data mining Complexity Apriori algorithm Association rules Optimize. Index. décimale : 004 - Informatique Résumé : L'extraction de connaissances à partir des données (ECD) peut être confrontée à des problèmes de temps d'exécution et d'espace mémoire en raison de la complexité des algorithmes et de la taille des ensembles de données. Certains algorithmes utilisés dans l'ECD peuvent être très gourmands en termes de temps de calcul, en particulier lorsque les ensembles de données sont volumineux. Par exemple, les algorithmes de fouille de donnée complexes tels que l'algorithme Apriori pour les règles d'association ou l'algorithme k-means pour le clustering peuvent nécessiter un temps de calcul considérable, en particulier si les données sont massives. L'ECD peut nécessiter une grande quantité d'espace mémoire pour stocker les ensembles de données, les structures d'index et les résultats intermédiaires. Lorsque les données sont de grande taille, cela peut poser des problèmes de mémoire, en particulier si les ressources disponibles sont limitées. Les contraintes de mémoire peuvent entraîner des ralentissements ou des échecs d'exécution de l'algorithme. Le nouvel algorithme vise à optimiser le temps d'exécution et à réduire l'espace mémoire = Knowledge extraction from data (KDD) can face challenges related to execution time and memory space due to the complexity of algorithms and the size of data sets. Some algorithms used in KDD can be computationally intensive, especially when dealing with large data sets. For instance, complex data mining algorithms like the Apriori algorithm for association rules or the k-means algorithm for clustering can require signicant computation time, particularly when dealing with massive data. KDD may require a substantial amount of memory space to store data sets, index structures, and intermediate results. When working with large-scale data, this can lead to memory issues, especially if the available resources are limited. Memory constraints can result in slowdowns or execution failures of the algorithm.The new algorithm aims to optimize execution time and reduce memory space requirements. Côte titre : MAI/0777 En ligne : https://drive.google.com/file/d/1yVgTafsdxZ1NygIjgceegiAHLXDdh1sZ/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0777	MAI/0777	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)