University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur MEDJOUBI, Hichem |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Clustering de données en utilisant les algorithmes Bat et Kmeans Type de document : texte imprimé Auteurs : MEDJOUBI, Hichem ; KAMEL, N, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (52f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Data Mining, Clustering, Kmeans, Métaheuristic, Bat Algorithm. Index. décimale : 004 Informatique Résumé : Résumé
Le travail du clustering consiste à regrouper les données en classe ; nous obtenons par ce
biais une forte similarité intra-classe et une faible similarité inter-classe. Dans ce mémoire,
nous proposons un nouvel algorithme d’optimisation, dit Algorithme de chauves-souris
pour résoudre le problème d’initialisation de l’algorithme k-means, Les résultats obtenus
après une étude expérimentale et comparative illustrent une amélioration significative dans
clustering des données par rapport aux K-means classiques,De surcroît, les
expérimentations menées ainsi que les résultats prouvent que l’utilisation de l’algorithme
des chauves-souris peut améliorer l’efficacité de recherche des groupes optimales.
Note de contenu : Table de matière
Introduction................................................................................................... 2
1. Fouille de données (Data Mining).............................................................................................. 2
1.1. Définition : ......................................................................................................................... 2
1.2. Processus du data mining ................................................................................................... 3
1.2.1. CRISP-DM.................................................................................................................... 3
2. Méthodes d’exploration des données......................................................................................... 5
2.1. Classification supervisée .................................................................................................... 6
2.1.1. Arbres de décision ...................................................................................................... 6
2.1.2. Réseaux de neurones.................................................................................................. 7
2.2. Classification non supervisée(ou Clustering)..................................................................... 8
3. Méthodes de segmentation......................................................................................................... 9
3.1. La segmentation hiérarchique .......................................................................................... 10
3.1.1. Méthodes ascendantes ou agglomératives.............................................................. 10
3.1.2. Méthodes descendantes........................................................................................... 12
3.2. La segmentation par partition........................................................................................... 12
3.2.1. Méthode basé sur la densité .................................................................................... 12
3.2.2. Méthode basée sur les grilles................................................................................... 13
3.2.3. Méthodes basés sur la minimisation d’une fonction objective ................................ 14
4. Segmentation par la méthode de k-means :.............................................................................. 14
4.1. L’algorithmes de la méthode des ‘K-means’ ................................................................... 15
4.2. Les avantages................................................................................................................... 16
4.3. Les inconvénients............................................................................................................. 17
5. Les critères de dissimilarité :.................................................................................................... 17
CONCLUSION............................................................................................................. 18
Introduction...................................................................................................... 19
1. Pourquoi le bio-inspiré ............................................................................................................. 19
1.1. Définition du domaine bio-inspiré : ................................................................................. 20
2. Taxonomie................................................................................................................................ 21
2.1. Algorithmes évolutionnaires............................................................................................ 22
2.2. Intelligence en essaim ...................................................................................................... 22
3. Variantes d’algorithmes basés essaim :.................................................................................... 23
3.1. Optimisation par essaim particulaire :.............................................................................. 23
3.2. Algorithme de chauves-souris.......................................................................................... 24
3.2.1. Echolocation des chauves-souris.............................................................................. 25
3.2.2. L’acoustique d’écholocation..................................................................................... 26
3.2.3. Optimisation par l’algorithme des chauves-souris................................................... 27
3.3. Cuckoo Search ................................................................................................................. 30
3.4. Algorithme de Firefly........................................................................................................ 31
Conclusion........................................................................................... 33
Introduction................................................................................................ 34
1. Clustering Basé sur Coucou Recherche et K-means................................................................ 34
2. Firefly et k-means pour la quantification des couleurs ............................................................ 36
2.1. Algorithme proposé.......................................................................................................... 37
3. Clustering Basé sur PSO et K-means....................................................................................... 39
4. Clustering Basé sur K-means et des algorithmes Bio-inspiré ................................................. 43
Conclusion.......................................................................................................... 44
Introduction............................................................................................................... 45
1. Conception de Notre Approche................................................................................................ 45
1.1. Principe de l’approche...................................................................................................... 45
1.2. Les paramètres utilisés..................................................................................................... 47
1.3. Benchmark ....................................................................................................................... 47
1.4. Validité des clusters ......................................................................................................... 48
1.5. Environnement de travail ................................................................................................. 49
2. Résultats Expérimentaux.......................................................................................................... 50
Conclusion.................................................................................................................. 51Côte titre : MAI/0066 En ligne : https://drive.google.com/file/d/1H8WKMGNQQWU0d9brq_Lydj1F75hF7ro9/view?usp=shari [...] Format de la ressource électronique : Clustering de données en utilisant les algorithmes Bat et Kmeans [texte imprimé] / MEDJOUBI, Hichem ; KAMEL, N, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (52f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Data Mining, Clustering, Kmeans, Métaheuristic, Bat Algorithm. Index. décimale : 004 Informatique Résumé : Résumé
Le travail du clustering consiste à regrouper les données en classe ; nous obtenons par ce
biais une forte similarité intra-classe et une faible similarité inter-classe. Dans ce mémoire,
nous proposons un nouvel algorithme d’optimisation, dit Algorithme de chauves-souris
pour résoudre le problème d’initialisation de l’algorithme k-means, Les résultats obtenus
après une étude expérimentale et comparative illustrent une amélioration significative dans
clustering des données par rapport aux K-means classiques,De surcroît, les
expérimentations menées ainsi que les résultats prouvent que l’utilisation de l’algorithme
des chauves-souris peut améliorer l’efficacité de recherche des groupes optimales.
Note de contenu : Table de matière
Introduction................................................................................................... 2
1. Fouille de données (Data Mining).............................................................................................. 2
1.1. Définition : ......................................................................................................................... 2
1.2. Processus du data mining ................................................................................................... 3
1.2.1. CRISP-DM.................................................................................................................... 3
2. Méthodes d’exploration des données......................................................................................... 5
2.1. Classification supervisée .................................................................................................... 6
2.1.1. Arbres de décision ...................................................................................................... 6
2.1.2. Réseaux de neurones.................................................................................................. 7
2.2. Classification non supervisée(ou Clustering)..................................................................... 8
3. Méthodes de segmentation......................................................................................................... 9
3.1. La segmentation hiérarchique .......................................................................................... 10
3.1.1. Méthodes ascendantes ou agglomératives.............................................................. 10
3.1.2. Méthodes descendantes........................................................................................... 12
3.2. La segmentation par partition........................................................................................... 12
3.2.1. Méthode basé sur la densité .................................................................................... 12
3.2.2. Méthode basée sur les grilles................................................................................... 13
3.2.3. Méthodes basés sur la minimisation d’une fonction objective ................................ 14
4. Segmentation par la méthode de k-means :.............................................................................. 14
4.1. L’algorithmes de la méthode des ‘K-means’ ................................................................... 15
4.2. Les avantages................................................................................................................... 16
4.3. Les inconvénients............................................................................................................. 17
5. Les critères de dissimilarité :.................................................................................................... 17
CONCLUSION............................................................................................................. 18
Introduction...................................................................................................... 19
1. Pourquoi le bio-inspiré ............................................................................................................. 19
1.1. Définition du domaine bio-inspiré : ................................................................................. 20
2. Taxonomie................................................................................................................................ 21
2.1. Algorithmes évolutionnaires............................................................................................ 22
2.2. Intelligence en essaim ...................................................................................................... 22
3. Variantes d’algorithmes basés essaim :.................................................................................... 23
3.1. Optimisation par essaim particulaire :.............................................................................. 23
3.2. Algorithme de chauves-souris.......................................................................................... 24
3.2.1. Echolocation des chauves-souris.............................................................................. 25
3.2.2. L’acoustique d’écholocation..................................................................................... 26
3.2.3. Optimisation par l’algorithme des chauves-souris................................................... 27
3.3. Cuckoo Search ................................................................................................................. 30
3.4. Algorithme de Firefly........................................................................................................ 31
Conclusion........................................................................................... 33
Introduction................................................................................................ 34
1. Clustering Basé sur Coucou Recherche et K-means................................................................ 34
2. Firefly et k-means pour la quantification des couleurs ............................................................ 36
2.1. Algorithme proposé.......................................................................................................... 37
3. Clustering Basé sur PSO et K-means....................................................................................... 39
4. Clustering Basé sur K-means et des algorithmes Bio-inspiré ................................................. 43
Conclusion.......................................................................................................... 44
Introduction............................................................................................................... 45
1. Conception de Notre Approche................................................................................................ 45
1.1. Principe de l’approche...................................................................................................... 45
1.2. Les paramètres utilisés..................................................................................................... 47
1.3. Benchmark ....................................................................................................................... 47
1.4. Validité des clusters ......................................................................................................... 48
1.5. Environnement de travail ................................................................................................. 49
2. Résultats Expérimentaux.......................................................................................................... 50
Conclusion.................................................................................................................. 51Côte titre : MAI/0066 En ligne : https://drive.google.com/file/d/1H8WKMGNQQWU0d9brq_Lydj1F75hF7ro9/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0066 MAI/0066 Mémoire Bibliothéque des sciences Français Disponible
Disponible
