Clustering de données en utilisant des algorithmes Kmeans et C.A.H / Nouioua,abdallah  

Public ISBD Titre : Clustering de données en utilisant des algorithmes Kmeans et C.A.H Type de document : texte imprimé Auteurs : Nouioua,abdallah ; MEDIANI, Chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2016 Importance : 1 vol (39f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux Systèmes Distribués clustering algorithme Kmeans Index. décimale : 004 Informatique Résumé : Résumé Toutes les méthodes de clustering visent à répartir un jeu de données en de groupes homogènes qui seront bien différenciés les uns des autres. L’algorithme K-means est actuellement un algorithme référence pour vérifier les résultats des autres algorithmes. Son problème principal est sa sensibilité à l’initialisation qui peut entrainer une convergence vers l’optimum local. Nous essayons, dans cette étude, de mettre en Å“uvre une approche hybride qui combine l’algorithme de classification agglomérative et K-means standard, pour éviter de tomber dans l’ptimum local. Nous avons implémenté les trois algorithmes : agglomératif, K-means et hybride. Les résultats de clustering sur des données Benchmark que la précision est significative avec l’algorithme hybride par rapport à K-means standard. Note de contenu : Table des matières Chapitre I : Introduction au clustering Introduction générale 1 I.1. introduction 2 I.2. Présentation générale 2 I.2.1. Définitions 2 I.2.2. Domaines d’application 2 I.2.3. Avantages et Inconvénients de clustering 3 I.3. Mesures de similarité 4 I.3.1. Mesures de similarité entre objets 5 I.3.2. Mesures de similarité entre cluster 6 I.4. Validation de la qualité du clustering 9 I.4.1. Mesures de la qualité interne 9 I.4.2. Mesures de la qualité externe 10 I.5. Conclusion 12 Chapitre II : Etat de l’art II.1. Introduction 13 II.2. Caractéristiques 13 II.3. Présentation des algorithmes de clustering 13 II.3.1. Algorithmes de clustering par partitionnement 14 II.3.1.1. Famille des algorithmes C-moyenne 14 A. Algorithme des K-means [Forgy, 1965 – MacQueen, 1967] 14 B. Algorithme Fuzzy C-Means (FCM) [Bezdek et al., 1984] 16 C. Algorithme Possibilistic C-Means (PCM) [Krishnapuram et al., 1996] 18 II.3.1.2. Algorithme Quality Threshold (QT) 20 II.3.2. Algorithmes hiérarchiques 21 Algorithme de classification ascendante hiérarchique(CAH) 22 II.4. Combinaison de techniques 23 II.4.1. Approche de clustering par ensemble 23 II.4.2. Approches multi objectives 24 II.4.3. Approches par combinaison de méthodes floues 26 II.5. Autres techniques 26 II.5.1. Algorithme de clustering en essaims 26 II.5.2. Algorithme COMMUNAL 27 II.6. Conclusion 28 Chapitre III : Contribution Introduction 29 1. Notre proposition 29 2. Langage et environnement utilisés 30 2.1. Langage de programmation java 30 2.2. L’IDE NetBeans 31 2.3. Bibliothèque Weka 32 3. Source de données Benchmark 32 4. Prototype du développement 33 5. Résultats et discussions 37 Conclusion 38 Conclusion générale 39 Côte titre : MAI/0145 En ligne : https://drive.google.com/file/d/12U1epRoC3Eh0uQB6G0wJvb3K8KC9XVnY/view?usp=shari [...] Format de la ressource électronique : pdf Clustering de données en utilisant des algorithmes Kmeans et C.A.H [texte imprimé] / Nouioua,abdallah ; MEDIANI, Chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2016 . - 1 vol (39f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux Systèmes Distribués clustering algorithme Kmeans Index. décimale : 004 Informatique Résumé : Résumé Toutes les méthodes de clustering visent à répartir un jeu de données en de groupes homogènes qui seront bien différenciés les uns des autres. L’algorithme K-means est actuellement un algorithme référence pour vérifier les résultats des autres algorithmes. Son problème principal est sa sensibilité à l’initialisation qui peut entrainer une convergence vers l’optimum local. Nous essayons, dans cette étude, de mettre en Å“uvre une approche hybride qui combine l’algorithme de classification agglomérative et K-means standard, pour éviter de tomber dans l’ptimum local. Nous avons implémenté les trois algorithmes : agglomératif, K-means et hybride. Les résultats de clustering sur des données Benchmark que la précision est significative avec l’algorithme hybride par rapport à K-means standard. Note de contenu : Table des matières Chapitre I : Introduction au clustering Introduction générale 1 I.1. introduction 2 I.2. Présentation générale 2 I.2.1. Définitions 2 I.2.2. Domaines d’application 2 I.2.3. Avantages et Inconvénients de clustering 3 I.3. Mesures de similarité 4 I.3.1. Mesures de similarité entre objets 5 I.3.2. Mesures de similarité entre cluster 6 I.4. Validation de la qualité du clustering 9 I.4.1. Mesures de la qualité interne 9 I.4.2. Mesures de la qualité externe 10 I.5. Conclusion 12 Chapitre II : Etat de l’art II.1. Introduction 13 II.2. Caractéristiques 13 II.3. Présentation des algorithmes de clustering 13 II.3.1. Algorithmes de clustering par partitionnement 14 II.3.1.1. Famille des algorithmes C-moyenne 14 A. Algorithme des K-means [Forgy, 1965 – MacQueen, 1967] 14 B. Algorithme Fuzzy C-Means (FCM) [Bezdek et al., 1984] 16 C. Algorithme Possibilistic C-Means (PCM) [Krishnapuram et al., 1996] 18 II.3.1.2. Algorithme Quality Threshold (QT) 20 II.3.2. Algorithmes hiérarchiques 21 Algorithme de classification ascendante hiérarchique(CAH) 22 II.4. Combinaison de techniques 23 II.4.1. Approche de clustering par ensemble 23 II.4.2. Approches multi objectives 24 II.4.3. Approches par combinaison de méthodes floues 26 II.5. Autres techniques 26 II.5.1. Algorithme de clustering en essaims 26 II.5.2. Algorithme COMMUNAL 27 II.6. Conclusion 28 Chapitre III : Contribution Introduction 29 1. Notre proposition 29 2. Langage et environnement utilisés 30 2.1. Langage de programmation java 30 2.2. L’IDE NetBeans 31 2.3. Bibliothèque Weka 32 3. Source de données Benchmark 32 4. Prototype du développement 33 5. Résultats et discussions 37 Conclusion 38 Conclusion générale 39 Côte titre : MAI/0145 En ligne : https://drive.google.com/file/d/12U1epRoC3Eh0uQB6G0wJvb3K8KC9XVnY/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0145	MAI/0145	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)