University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur BOUTARA, Halima |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
L'Etude des algorithmes de clustering kmeans et Pso et comparions de leur résultats / BOUTARA, Halima
Titre : L'Etude des algorithmes de clustering kmeans et Pso et comparions de leur résultats Type de document : texte imprimé Auteurs : BOUTARA, Halima ; NEDJET, KAMEL, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1 vol (43f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : algorithme kmeans, algorithme PSO, ensemble des documents. Index. décimale : 004 Informatique Résumé : Résumé
Les algorithmes de clustering de documents jouent un rôle important en aidant les utilisateurs à naviguer efficacement, résumer et organiser l’information. Des études ont montré que les algorithmes de clustering partition sont plus appropriés pour regrouper des ensembles de données volumineux. Le K-means algorithme est l’algorithme de clustering la plus couramment utilisée car il peut être facilement mise en œuvre et est la plus efficace en termes de temps d’exécution. Le problème majeur de cette algorithme est qu’il est sensible à la sélection et peut convergent vers une optimums locaux. Dans cette étude, nous présentons une algorithme hybride PSO + K-means qui effectue le regroupement rapide de documents et peut éviter d’être piégé dans une solution locale optimale. Pour fins de comparaison, nous avons appliqué le K-means, PSO + K-means. Les résultats de regroupement des algorithmes sur un ensemble de données de documents texte montrent que le PSO + K-means algorithme peut générer les résultats les plus compacts de clustering que l’algorithme kmeans.
Note de contenu : Sommaire
Remerciement 2
Liste des tableaux 5
Liste des figures 6
Sommaire 7
Introduction générale 1
Chapitre I : Les algorithmes de
1. Définition de clustering 2
1.1 En informatique 2
1.2 En sciences 2
2. Buts de Clustering 3
3. Domaines d’application du Clustering : 4
4. Le fonctionnement du processus de Clustering 4
5. Mesures de rapprochement 5
5.1 Mesures pour les données binaires 6
5.2 Mesures pour les données nominales 7
5.3 Mesures pour les données réelles 7
6. Algorithmes de clustering 8
6.1 Algorithmes hiérarchiques 9
6.2 Algorithmes à partitionnement 10
6.3 Comparaison des algorithmes en termes de complexité 11
Chapitre II : Les algorithmes K-
1. les algorithmes de partition 13
1.1. Méthodes k-means 14
1.1.1. Méthodes de centres mobiles : 15
1.1.2. Méthodes des nuées dynamiques : 15
1.1.3. Avantages de l’algorithme k_means : 17
1.1.4. Incovenients de l’algorithme k-means : 17
2. Algorithme a essaim particulaire 17
2.1. Principe 18
2.1.1. Modèle de Reynolds (1987) 18
2.1.2. Modèle de Kennedy et Eberhart (1995) 19
2.2. Structure générale de PSO 20
2.3. Classification de données avec PSO 23
Chapitre III : Conception
1. Le pretraitement des documents 24
1.1. Définition de la catégorisation de textes 24
1.2. Applications de la catégorisation de texte: 25
1.3. Lien avec la recherche documentaire: 25
1.4. Processus de traitement des textes 26
1.4.1. Choix des éléments 26
1.4.2. Choix des traits descriptifs 27
2. Quelques applications de l’algorithme hybride PSO+k-means 27
2.1.Document Clustering Analysis Based on Hybrid PSO+K-means Algorithm 27
2.1.A hybrid sequential approach for data clustering using K-Means and particle swarm optimization algorithm 28
3. L’algorithme hybride PSO + K-means 28
3.1. Le module PSO: 29
3.2. Le module K-means: 30
Chapitre IV : Réalisation
1. Environnements logiciel 32
1.1. Le langage de programmation java: 32
1.2. NetBeans IDE 32
1.3. Les fichiers 33
1.4. dataset ………………………………………………………………...34
2. Fonctionnement du logiciel 35
2.1. L’interface du logiciel : 35
Conclusion générale 41
Bibliographie et sitographie 42
Côte titre : MAI/0033 En ligne : https://drive.google.com/file/d/1NoHcw-M4iErmoCTxkc2fqvMHn4R-jHHF/view?usp=shari [...] Format de la ressource électronique : docx L'Etude des algorithmes de clustering kmeans et Pso et comparions de leur résultats [texte imprimé] / BOUTARA, Halima ; NEDJET, KAMEL, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1 vol (43f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : algorithme kmeans, algorithme PSO, ensemble des documents. Index. décimale : 004 Informatique Résumé : Résumé
Les algorithmes de clustering de documents jouent un rôle important en aidant les utilisateurs à naviguer efficacement, résumer et organiser l’information. Des études ont montré que les algorithmes de clustering partition sont plus appropriés pour regrouper des ensembles de données volumineux. Le K-means algorithme est l’algorithme de clustering la plus couramment utilisée car il peut être facilement mise en œuvre et est la plus efficace en termes de temps d’exécution. Le problème majeur de cette algorithme est qu’il est sensible à la sélection et peut convergent vers une optimums locaux. Dans cette étude, nous présentons une algorithme hybride PSO + K-means qui effectue le regroupement rapide de documents et peut éviter d’être piégé dans une solution locale optimale. Pour fins de comparaison, nous avons appliqué le K-means, PSO + K-means. Les résultats de regroupement des algorithmes sur un ensemble de données de documents texte montrent que le PSO + K-means algorithme peut générer les résultats les plus compacts de clustering que l’algorithme kmeans.
Note de contenu : Sommaire
Remerciement 2
Liste des tableaux 5
Liste des figures 6
Sommaire 7
Introduction générale 1
Chapitre I : Les algorithmes de
1. Définition de clustering 2
1.1 En informatique 2
1.2 En sciences 2
2. Buts de Clustering 3
3. Domaines d’application du Clustering : 4
4. Le fonctionnement du processus de Clustering 4
5. Mesures de rapprochement 5
5.1 Mesures pour les données binaires 6
5.2 Mesures pour les données nominales 7
5.3 Mesures pour les données réelles 7
6. Algorithmes de clustering 8
6.1 Algorithmes hiérarchiques 9
6.2 Algorithmes à partitionnement 10
6.3 Comparaison des algorithmes en termes de complexité 11
Chapitre II : Les algorithmes K-
1. les algorithmes de partition 13
1.1. Méthodes k-means 14
1.1.1. Méthodes de centres mobiles : 15
1.1.2. Méthodes des nuées dynamiques : 15
1.1.3. Avantages de l’algorithme k_means : 17
1.1.4. Incovenients de l’algorithme k-means : 17
2. Algorithme a essaim particulaire 17
2.1. Principe 18
2.1.1. Modèle de Reynolds (1987) 18
2.1.2. Modèle de Kennedy et Eberhart (1995) 19
2.2. Structure générale de PSO 20
2.3. Classification de données avec PSO 23
Chapitre III : Conception
1. Le pretraitement des documents 24
1.1. Définition de la catégorisation de textes 24
1.2. Applications de la catégorisation de texte: 25
1.3. Lien avec la recherche documentaire: 25
1.4. Processus de traitement des textes 26
1.4.1. Choix des éléments 26
1.4.2. Choix des traits descriptifs 27
2. Quelques applications de l’algorithme hybride PSO+k-means 27
2.1.Document Clustering Analysis Based on Hybrid PSO+K-means Algorithm 27
2.1.A hybrid sequential approach for data clustering using K-Means and particle swarm optimization algorithm 28
3. L’algorithme hybride PSO + K-means 28
3.1. Le module PSO: 29
3.2. Le module K-means: 30
Chapitre IV : Réalisation
1. Environnements logiciel 32
1.1. Le langage de programmation java: 32
1.2. NetBeans IDE 32
1.3. Les fichiers 33
1.4. dataset ………………………………………………………………...34
2. Fonctionnement du logiciel 35
2.1. L’interface du logiciel : 35
Conclusion générale 41
Bibliographie et sitographie 42
Côte titre : MAI/0033 En ligne : https://drive.google.com/file/d/1NoHcw-M4iErmoCTxkc2fqvMHn4R-jHHF/view?usp=shari [...] Format de la ressource électronique : docx Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0033 MAI/0033 Mémoire Bibliothéque des sciences Français Disponible
Disponible