University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'indexation
Ouvrages de la bibliothèque en indexation 004 - Informatique
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Etude comparative des protocoles de routage VANET sous NS3 Type de document : texte imprimé Auteurs : Akkal, Maroua, Auteur ; Hammouche, Yassine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (79 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vanet
RoutageIndex. décimale : 004 - Informatique Résumé :
Un nouveau type de reseau ad-hoc emergeant est le reseau ad-hoc de vehicules. En
raison du co^ut eleve du deploiement et de la mise en uvre d'un tel systeme dans le
monde reel, la plupart des recherches menees dans le cadre de VANET s'appuient sur des
simulations. Un element cle des simulations VANET est un modele realiste de mobilite
des vehicules qui garantit que les conclusions tirees des experiences de simulation seront
appliquees aux deploiements reels. Dans ce travail, nous avons evaluer les performances
des protocoles de routage AODV, DSDV, DSR, OLSR et GPSR a l'aide des simulateurs
SUMO et NS3.
Les resultats de la simulation ont montre qu'au niveau d'une ville le GPSR etant le
plus performant en terme de delai. Le DSR et le DSDV sont toutefois plus performants en
termes de debit, de PDR et de PLR. Alors qu'au niveau de l'autoroute le protocole DSDV
est plus performant en mode V2V, le protocole GPSR presente une meilleure performance
en mode V2I et le protocole DSR est le meilleur en mode hybride.Côte titre : MAI/0361 En ligne : https://drive.google.com/file/d/1S_Vn79Ep1IjwLHj5THaTYoJeAkpPTGfJ/view?usp=shari [...] Format de la ressource électronique : Etude comparative des protocoles de routage VANET sous NS3 [texte imprimé] / Akkal, Maroua, Auteur ; Hammouche, Yassine, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (79 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Vanet
RoutageIndex. décimale : 004 - Informatique Résumé :
Un nouveau type de reseau ad-hoc emergeant est le reseau ad-hoc de vehicules. En
raison du co^ut eleve du deploiement et de la mise en uvre d'un tel systeme dans le
monde reel, la plupart des recherches menees dans le cadre de VANET s'appuient sur des
simulations. Un element cle des simulations VANET est un modele realiste de mobilite
des vehicules qui garantit que les conclusions tirees des experiences de simulation seront
appliquees aux deploiements reels. Dans ce travail, nous avons evaluer les performances
des protocoles de routage AODV, DSDV, DSR, OLSR et GPSR a l'aide des simulateurs
SUMO et NS3.
Les resultats de la simulation ont montre qu'au niveau d'une ville le GPSR etant le
plus performant en terme de delai. Le DSR et le DSDV sont toutefois plus performants en
termes de debit, de PDR et de PLR. Alors qu'au niveau de l'autoroute le protocole DSDV
est plus performant en mode V2V, le protocole GPSR presente une meilleure performance
en mode V2I et le protocole DSR est le meilleur en mode hybride.Côte titre : MAI/0361 En ligne : https://drive.google.com/file/d/1S_Vn79Ep1IjwLHj5THaTYoJeAkpPTGfJ/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0361 MAI/0361 Mémoire Bibliothéque des sciences Français Disponible
DisponibleEtude de formation des siliciures de nickel en presence de l'yttrium / Sayah, Fares
Titre : Etude de formation des siliciures de nickel en presence de l'yttrium Type de document : texte imprimé Auteurs : Sayah, Fares, Auteur ; A Derafa, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (30 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Terre rares
Siliciures
Implantation ionique
yttrium
DRXIndex. décimale : 004 - Informatique Résumé : Le présent travail porte sur l’effet présence de l’yttrium, implanter dans le substrat de silicium par implantation ionique avec une dose de 2x1017Y+/cm2 et une énergie égale à 195keV, sur la formation des siliciures de nickel. Nous commençons d’abord par l’étude de système binaire Ni(50nm)/Si(100) lors des différents traitements thermiques. Par la suite nous avons étudies le système Ni(50nm)/Y(2x1017Y+/cm2)/Si(100).
Nous avons utilisé la diffraction des rayons X pour la caractérisation structurales, microstructurale et à l’étude de la croissance etconsommation de Ni dans le Si.
Les résultats obtenus par DRX montrent que l’implantation d'yttrium dans le substrat de silicium a une influence sur la formation des siliciures de nickel.Note de contenu : Sommaire
Introduction générale …………………………………………………………………..
1
Chapitre I : Généralités sur les réactions métal/silicium
I.1. Introduction………………………………………………………………………...
2
I.2. Formation des siliciures…………………………………………………………….
2
I.2.1. La germination……………………………………………………………….
3
I.2.2. La diffusion réactive…………………………………………………………
4
I.3. Propriétés des siliciures de nickel…………………………………………………..
5
I.3.1. Le diagramme de phase Ni-Si………………………………………………
5
I.3.2. Formation des siliciures de nickel en films minces…………………………
6
I.3.3. Dégradation du NiSi à haute température……………………………………
8
I.3.3.a. Formation de NiSi2…………………………………………………..
8
I.3.3.b. L'agglomération du NiSi……………………………………………
8
I.4. Application de NiSi dans l’industrie……………………………………………….
9
I.4.1. Constitution d’un MOSFET et représentation symbolique………………….
9
I.4.2. Principe de fonctionnement du Transistor..………………………………….
9
I.4.3. Technologie ‘’saliciure ‘’ en micro-électronique……………………………
10
I.5. Elément d’alliage et barrière de diffusion de nickel……………………………….
12
Chapitre II : Techniques expérimentale utilisées
II.1. Introduction……………………………………………………………………….
13
II.2. Technique d’élaboration des couches minces…………………………………….
13
II.2.1. Nettoyage du substrat………………………………………………………
13
II.2.2. Pulvérisation cathodique…………………………………………………...
13
II.2.2.1. Principe de pulvérisation cathodique……………………………..
13
II.2.2.2. Présentation du dispositif expérimental………………………….
15
II.2.3. Recuits thermiques rapides………………………………………………..
16 II.2.4. L'implantation ionique…………………………………………………….
17 II.2.4.1. Principe de l'implantation ionique………………………………...
17 II.2.4.2. L’implanteur ionique……………………………………………...
17 II.2.4.3. Ralentissement et arrêt des ions dans un matériau……………….
18 a) Collisions élastiques………………………………………….
18 b) Collisions inélastiques………………………………………..
18
II.2.4.4. Simulation des trajectoires de particules…………………………
19
II.3. Technique de caractérisation………………………………………………………
20
II.3.1. Diffraction du rayon X……………………………………………………..
20
II.3.2. Dispositif experimental…………………………………………………….
23
Chapitre III : Résultats expérimentaux et interprétation
III.1. Analyse structurale par diffraction des rayons X (DRX)…………………………
24
III. 1.1. Systèmes Ni(50nm) /Si (100) (référence)………………………………..
24
III.1.2. Etude de la cinétique de consommation nickel dans le silicium………….
27
III.1.3. Systèmes Y-Si(111)……………………………………………………….
28
III.1.4. Systèmes Ni(50nm) /Y-Si (111)…………………………………………..
28
Conclusion générale…………………………………………………………………….
31
Annexe …………………………………………………………………………………
32
Références………………………………………………………………………………Côte titre : MAPH/0296 Etude de formation des siliciures de nickel en presence de l'yttrium [texte imprimé] / Sayah, Fares, Auteur ; A Derafa, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (30 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Terre rares
Siliciures
Implantation ionique
yttrium
DRXIndex. décimale : 004 - Informatique Résumé : Le présent travail porte sur l’effet présence de l’yttrium, implanter dans le substrat de silicium par implantation ionique avec une dose de 2x1017Y+/cm2 et une énergie égale à 195keV, sur la formation des siliciures de nickel. Nous commençons d’abord par l’étude de système binaire Ni(50nm)/Si(100) lors des différents traitements thermiques. Par la suite nous avons étudies le système Ni(50nm)/Y(2x1017Y+/cm2)/Si(100).
Nous avons utilisé la diffraction des rayons X pour la caractérisation structurales, microstructurale et à l’étude de la croissance etconsommation de Ni dans le Si.
Les résultats obtenus par DRX montrent que l’implantation d'yttrium dans le substrat de silicium a une influence sur la formation des siliciures de nickel.Note de contenu : Sommaire
Introduction générale …………………………………………………………………..
1
Chapitre I : Généralités sur les réactions métal/silicium
I.1. Introduction………………………………………………………………………...
2
I.2. Formation des siliciures…………………………………………………………….
2
I.2.1. La germination……………………………………………………………….
3
I.2.2. La diffusion réactive…………………………………………………………
4
I.3. Propriétés des siliciures de nickel…………………………………………………..
5
I.3.1. Le diagramme de phase Ni-Si………………………………………………
5
I.3.2. Formation des siliciures de nickel en films minces…………………………
6
I.3.3. Dégradation du NiSi à haute température……………………………………
8
I.3.3.a. Formation de NiSi2…………………………………………………..
8
I.3.3.b. L'agglomération du NiSi……………………………………………
8
I.4. Application de NiSi dans l’industrie……………………………………………….
9
I.4.1. Constitution d’un MOSFET et représentation symbolique………………….
9
I.4.2. Principe de fonctionnement du Transistor..………………………………….
9
I.4.3. Technologie ‘’saliciure ‘’ en micro-électronique……………………………
10
I.5. Elément d’alliage et barrière de diffusion de nickel……………………………….
12
Chapitre II : Techniques expérimentale utilisées
II.1. Introduction……………………………………………………………………….
13
II.2. Technique d’élaboration des couches minces…………………………………….
13
II.2.1. Nettoyage du substrat………………………………………………………
13
II.2.2. Pulvérisation cathodique…………………………………………………...
13
II.2.2.1. Principe de pulvérisation cathodique……………………………..
13
II.2.2.2. Présentation du dispositif expérimental………………………….
15
II.2.3. Recuits thermiques rapides………………………………………………..
16 II.2.4. L'implantation ionique…………………………………………………….
17 II.2.4.1. Principe de l'implantation ionique………………………………...
17 II.2.4.2. L’implanteur ionique……………………………………………...
17 II.2.4.3. Ralentissement et arrêt des ions dans un matériau……………….
18 a) Collisions élastiques………………………………………….
18 b) Collisions inélastiques………………………………………..
18
II.2.4.4. Simulation des trajectoires de particules…………………………
19
II.3. Technique de caractérisation………………………………………………………
20
II.3.1. Diffraction du rayon X……………………………………………………..
20
II.3.2. Dispositif experimental…………………………………………………….
23
Chapitre III : Résultats expérimentaux et interprétation
III.1. Analyse structurale par diffraction des rayons X (DRX)…………………………
24
III. 1.1. Systèmes Ni(50nm) /Si (100) (référence)………………………………..
24
III.1.2. Etude de la cinétique de consommation nickel dans le silicium………….
27
III.1.3. Systèmes Y-Si(111)……………………………………………………….
28
III.1.4. Systèmes Ni(50nm) /Y-Si (111)…………………………………………..
28
Conclusion générale…………………………………………………………………….
31
Annexe …………………………………………………………………………………
32
Références………………………………………………………………………………Côte titre : MAPH/0296 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire
Titre : Etude et gestion des phénomènes d’attente Type de document : texte imprimé Auteurs : Aicha Dallel Lakehal, Auteur ; Chaima Benmoufek, Auteur ; Lakhdar Amrani, Directeur de thèse Année de publication : 2022 Importance : 1 vol (49 f .) Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : file d’attente
FCFSIndex. décimale : 004 - Informatique Résumé :
Dans ce mémoire, nous avons étudié les phénomènes d’attente, pour cela nous avons proposé dans la première partie une caractérisation complète de ce problème en donnant les différentes notions, les définitions, les objectifs se rapportant à leurs gestion et les paramètres variables s’y affairant.
Nous avons aussi énumérer les principaux modèles de file d’attente existants et particularisations.
La deuxième partie est consacrée à l’étude de quelque modèle représentatif :
- Le système M/M/1
- Le système M/M/S
Dans cette partie nous avons ainsi donné le mode de gestion de ses systèmes.
La troisième et dernière partie a été réservée à l’expérimentions ou nous avons simulé l’évolution de cout d’attente et cout de service d’un système.
Nous avons terminé notre travail par une analyse des résultats et nous avons tiré quelquesCôte titre : MAI/0689 En ligne : https://drive.google.com/file/d/1T3K_b0mhAekHZprhQ7lN7bwilZN4aXoR/view?usp=share [...] Format de la ressource électronique : Etude et gestion des phénomènes d’attente [texte imprimé] / Aicha Dallel Lakehal, Auteur ; Chaima Benmoufek, Auteur ; Lakhdar Amrani, Directeur de thèse . - 2022 . - 1 vol (49 f .).
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : file d’attente
FCFSIndex. décimale : 004 - Informatique Résumé :
Dans ce mémoire, nous avons étudié les phénomènes d’attente, pour cela nous avons proposé dans la première partie une caractérisation complète de ce problème en donnant les différentes notions, les définitions, les objectifs se rapportant à leurs gestion et les paramètres variables s’y affairant.
Nous avons aussi énumérer les principaux modèles de file d’attente existants et particularisations.
La deuxième partie est consacrée à l’étude de quelque modèle représentatif :
- Le système M/M/1
- Le système M/M/S
Dans cette partie nous avons ainsi donné le mode de gestion de ses systèmes.
La troisième et dernière partie a été réservée à l’expérimentions ou nous avons simulé l’évolution de cout d’attente et cout de service d’un système.
Nous avons terminé notre travail par une analyse des résultats et nous avons tiré quelquesCôte titre : MAI/0689 En ligne : https://drive.google.com/file/d/1T3K_b0mhAekHZprhQ7lN7bwilZN4aXoR/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0689 MAI/0689 Mémoire Bibliothéque des sciences Français Disponible
Sorti jusqu'au 09/05/2024Évaluation des performances des algorithmes clustering (Validation des algorithms) / Messai ,Dhaia eddine
Titre : Évaluation des performances des algorithmes clustering (Validation des algorithms) Type de document : texte imprimé Auteurs : Messai ,Dhaia eddine, Auteur ; Mediani ,chahrazed, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (67 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
Indices de validation
K-means
Birch
HCA
ARI
V-measure
CompletenessIndex. décimale : 004 - Informatique Résumé : La validation de clustering est un sujet de recherche très important qui intéresse beaucoup
de chercheurs en classification non supervisée des données, et c’est un axe de
recherche pas moins important que le clustering lui-même. Plusieurs indices de validation
de clustering ont été proposés dans la littérature.
Les travaux sur des méthodes de classification non supervisées, nous ont amené Ã
s’interroger sur la qualité des résultats. Le problème consiste à estimer si une méthode de
regroupement est «meilleure» qu’une autre pour un jeu particulier de données. Initialement,
après un état de l’art desméthodes existantes, nous avons appliqué certains de ces
méthodes comme k-means, HCA, ect., en choisissant des paramètres et des solutions
optimaux et les valider par des indices de qualité de clustering comme ARI, V-measure,
Completeness ... à l’aide de la bibliothéque scikit-learn de l’environnement python. Ces
indices de qualité nous ont permis de sélectionner le meilleure regroupement , qui est le
regroupement hiérarchique (HCA et Birch) pour notre jeu de données choisi.Note de contenu : Sommaire
Liste des tableaux xi
Table des figures xiii
1 Apprentissage automatique-Géneralité 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Pourquoi l’apprentissage automatique? . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Définition de l’apprentissage automatique . . . . . . . . . . . . . . . . . . . . 4
1.4 Déférents étapes pour création modèle apprentissage . . . . . . . . . . . . . . 4
1.4.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Domaines de l’Apprentissage Automatique . . . . . . . . . . . . . . . . . . . . 5
1.5.1 Fouille des données (data mining) . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Les techniques d’apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
1.6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Les algorithmes d’apprentissage automatique . . . . . . . . . . . . . . . . . . 11
1.7.1 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.2 Support vecteur machine(SVM) . . . . . . . . . . . . . . . . . . . . . . 12
1.7.3 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Etat de l’art : Clustering et Validation de ses algorithmes 17
vii
TABLE OF CONTENTS
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Définition de clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Définition 1 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Définition 2 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Les objectives du clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Qu’est ce qu’un bon Clustering? . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Les principales étapes du clustering . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 La préparation des données : . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Le choix de l’algorithme de clustering : . . . . . . . . . . . . . . . . . . 21
2.5.3 Validation et l’exploitation des résultats de l’algorithme . . . . . . . . 22
2.6 Applications du Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.1 La segmentation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.2 Extraction des connaissances . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7 Les différentes méthodes de clustering . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.1 Clustering en partition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.2 Clustering hiérarchique (Hierarchical Cluster Analysis) . . . . . . . . 28
2.7.3 clustering basée sur la densité . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.4 clustering par grilles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8 Clustering et Fonctions de similarité . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.1 la distance Euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.2 la distance deManhattan . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.3 la distance deMinkowski . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9 Les techniques d’évaluation de la qualité du clustering(validation) . . . . . . 37
2.9.1 Variance intra-classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.2 Connectivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.3 L’indice de Davies-Bouldin . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.4 Précision-Rappel et F-mesure . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.5 Coefficient de Jaccard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.6 L’indice Rand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.7 Silhouette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.8 V-measure [Homogeneity et completeness] . . . . . . . . . . . . . . . 41
2.9.9 D’autres critères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.10 Traveaux connexes sur l’evaluation des algorithmes de clustering . . . . . . . 42
2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
viii
TABLE OF CONTENTS
3 Implementation et Etude comparative 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Jeux des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Analyse en composantes principales (ACP) . . . . . . . . . . . . . . . . 47
3.3.2 L’objectif de l’ACP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Environnement de développement . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.3 bibliothéques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Expérimentation et Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5.1 Regroupement par Partition . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5.2 Regroupement hiérarchique . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.3 Regroupement basé sur les graphes et partition . . . . . . . . . . . . . 59
3.5.4 Validation des Algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Bibliographie 67Côte titre : MAI/0320 En ligne : https://drive.google.com/file/d/1aAlVs0xzXEk-jHEk4-Wz9JjU9-Fa1qw5/view?usp=shari [...] Format de la ressource électronique : Évaluation des performances des algorithmes clustering (Validation des algorithms) [texte imprimé] / Messai ,Dhaia eddine, Auteur ; Mediani ,chahrazed, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (67 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
Indices de validation
K-means
Birch
HCA
ARI
V-measure
CompletenessIndex. décimale : 004 - Informatique Résumé : La validation de clustering est un sujet de recherche très important qui intéresse beaucoup
de chercheurs en classification non supervisée des données, et c’est un axe de
recherche pas moins important que le clustering lui-même. Plusieurs indices de validation
de clustering ont été proposés dans la littérature.
Les travaux sur des méthodes de classification non supervisées, nous ont amené Ã
s’interroger sur la qualité des résultats. Le problème consiste à estimer si une méthode de
regroupement est «meilleure» qu’une autre pour un jeu particulier de données. Initialement,
après un état de l’art desméthodes existantes, nous avons appliqué certains de ces
méthodes comme k-means, HCA, ect., en choisissant des paramètres et des solutions
optimaux et les valider par des indices de qualité de clustering comme ARI, V-measure,
Completeness ... à l’aide de la bibliothéque scikit-learn de l’environnement python. Ces
indices de qualité nous ont permis de sélectionner le meilleure regroupement , qui est le
regroupement hiérarchique (HCA et Birch) pour notre jeu de données choisi.Note de contenu : Sommaire
Liste des tableaux xi
Table des figures xiii
1 Apprentissage automatique-Géneralité 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Pourquoi l’apprentissage automatique? . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Définition de l’apprentissage automatique . . . . . . . . . . . . . . . . . . . . 4
1.4 Déférents étapes pour création modèle apprentissage . . . . . . . . . . . . . . 4
1.4.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Domaines de l’Apprentissage Automatique . . . . . . . . . . . . . . . . . . . . 5
1.5.1 Fouille des données (data mining) . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Les techniques d’apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
1.6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Les algorithmes d’apprentissage automatique . . . . . . . . . . . . . . . . . . 11
1.7.1 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.2 Support vecteur machine(SVM) . . . . . . . . . . . . . . . . . . . . . . 12
1.7.3 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Etat de l’art : Clustering et Validation de ses algorithmes 17
vii
TABLE OF CONTENTS
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Définition de clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Définition 1 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Définition 2 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Les objectives du clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Qu’est ce qu’un bon Clustering? . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Les principales étapes du clustering . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 La préparation des données : . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Le choix de l’algorithme de clustering : . . . . . . . . . . . . . . . . . . 21
2.5.3 Validation et l’exploitation des résultats de l’algorithme . . . . . . . . 22
2.6 Applications du Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.1 La segmentation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.2 Extraction des connaissances . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7 Les différentes méthodes de clustering . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.1 Clustering en partition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.2 Clustering hiérarchique (Hierarchical Cluster Analysis) . . . . . . . . 28
2.7.3 clustering basée sur la densité . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.4 clustering par grilles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8 Clustering et Fonctions de similarité . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.1 la distance Euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.2 la distance deManhattan . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.3 la distance deMinkowski . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9 Les techniques d’évaluation de la qualité du clustering(validation) . . . . . . 37
2.9.1 Variance intra-classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.9.2 Connectivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.3 L’indice de Davies-Bouldin . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9.4 Précision-Rappel et F-mesure . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.5 Coefficient de Jaccard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.9.6 L’indice Rand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.7 Silhouette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9.8 V-measure [Homogeneity et completeness] . . . . . . . . . . . . . . . 41
2.9.9 D’autres critères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.10 Traveaux connexes sur l’evaluation des algorithmes de clustering . . . . . . . 42
2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
viii
TABLE OF CONTENTS
3 Implementation et Etude comparative 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Jeux des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Prétraitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3.1 Analyse en composantes principales (ACP) . . . . . . . . . . . . . . . . 47
3.3.2 L’objectif de l’ACP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Environnement de développement . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.2 Jupyter Notebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.3 bibliothéques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5 Expérimentation et Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5.1 Regroupement par Partition . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5.2 Regroupement hiérarchique . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.3 Regroupement basé sur les graphes et partition . . . . . . . . . . . . . 59
3.5.4 Validation des Algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Bibliographie 67Côte titre : MAI/0320 En ligne : https://drive.google.com/file/d/1aAlVs0xzXEk-jHEk4-Wz9JjU9-Fa1qw5/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0320 MAI/0320 Mémoire Bibliothéque des sciences Français Disponible
DisponibleEvaluation des performances des protocoles de routages des réseaux AdHoc véhiculaires / Sebti, Rabah
Titre : Evaluation des performances des protocoles de routages des réseaux AdHoc véhiculaires Type de document : texte imprimé Auteurs : Sebti, Rabah, Auteur ; Lamraoui,Amar, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (39 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vanet
AodvIndex. décimale : 004 - Informatique Résumé :
Les réseaux AdHoc véhiculaires (VANETs) sont en effet une classe émergente de réseaux
sans fil permettant des échanges de données entre véhicules ou encore entre véhicules et
infrastructures. Ils suscitent un intérêt certain aussi bien en tout le monde, dans le but de fournir
de nouvelles technologies capables d'améliorer la sécurité et l'efficacité des transports routiers
afin de diminuer les accidents et de fournir un environnement confortable aux conducteurs et Ã
leurs passagers.
Les VANETs reposent sur des protocoles qui assurent la communication entre les véhicules.
Notre travail consiste à évaluer les performances des protocoles de routage OLSR, AODV et
GPSR, appliqués aux réseaux VANET dans un environnement Urbain, en utilisant NS3 et
SUMO. Les résultats obtenus nous a permis de déterminer le meilleur protocole en termes de
taux de livraison de paquets, débit de bout en bout, paquets perdus et débit moyen, et ce dans
des scénarios différents.Côte titre : MAI/0363 En ligne : https://drive.google.com/file/d/1yEBJBmunS_jmHmmOSHWr-5SACBFxcf73/view?usp=shari [...] Format de la ressource électronique : Evaluation des performances des protocoles de routages des réseaux AdHoc véhiculaires [texte imprimé] / Sebti, Rabah, Auteur ; Lamraoui,Amar, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (39 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Vanet
AodvIndex. décimale : 004 - Informatique Résumé :
Les réseaux AdHoc véhiculaires (VANETs) sont en effet une classe émergente de réseaux
sans fil permettant des échanges de données entre véhicules ou encore entre véhicules et
infrastructures. Ils suscitent un intérêt certain aussi bien en tout le monde, dans le but de fournir
de nouvelles technologies capables d'améliorer la sécurité et l'efficacité des transports routiers
afin de diminuer les accidents et de fournir un environnement confortable aux conducteurs et Ã
leurs passagers.
Les VANETs reposent sur des protocoles qui assurent la communication entre les véhicules.
Notre travail consiste à évaluer les performances des protocoles de routage OLSR, AODV et
GPSR, appliqués aux réseaux VANET dans un environnement Urbain, en utilisant NS3 et
SUMO. Les résultats obtenus nous a permis de déterminer le meilleur protocole en termes de
taux de livraison de paquets, débit de bout en bout, paquets perdus et débit moyen, et ce dans
des scénarios différents.Côte titre : MAI/0363 En ligne : https://drive.google.com/file/d/1yEBJBmunS_jmHmmOSHWr-5SACBFxcf73/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0363 MAI/0363 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkExercices commentés d'analyse et de programmation / Jean-Pierre Laurent
PermalinkPermalinkExercices programmation en Fortran IV / Lamoitier, Jean-Pierre
PermalinkExercices en Turbo pascal / Claude Delannoy
PermalinkExperimental Comparison of Greedy Algorithms for the Positive Influence Dominating Set Problem / Rouabah ,Oussama
PermalinkExploitation pédagogique de l'outil informatique DMT / Gilbert Bals
PermalinkExreaction et selection des fonctionnalites pour la reconnaissance faciale avec apprentissage automatique / Sihem Ouennoughi
PermalinkExtraction des caractéristiques des images d'expression génétique : Comparaison entre les Auto-Encodeurs et l’ACP / Adil Hellali
PermalinkExtraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance / Gouissem ,Sarra
Permalink