University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Data Mining, Clustering, Kmeans, Métaheuristic, Bat Algorithm.'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette 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