|
| Titre : |
Extraction des connaissances à partir des séquences d’images d’expression génétique |
| Type de document : |
texte imprimé |
| Auteurs : |
Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2018 |
| Importance : |
1 vol (78 f .) |
| Format : |
29 cm |
| Langues : |
Français (fre) Langues originales : Français (fre) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Informatique |
| Index. décimale : |
004 Informatique |
| Résumé : |
Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh Mouse |
| Note de contenu : |
Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset ( |
| Côte titre : |
MAI/0225 |
| En ligne : |
https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] |
| Format de la ressource électronique : |
pdf |
Extraction des connaissances à partir des séquences d’images d’expression génétique [texte imprimé] / Amaouche, Samiha, Auteur ; Mekroud,N, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (78 f .) ; 29 cm. Langues : Français ( fre) Langues originales : Français ( fre)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Informatique |
| Index. décimale : |
004 Informatique |
| Résumé : |
Résumé
Dans ce travail, nous nous sommes intéressés à l’extraction des règles d’association floues à partir des séquencesd’images d’expression génétiquede l’espèce modèle « Edinburg Mouse ». Diverses techniques de prétraitement des images numériques ont été utilisées, commençant par l’indexation des images colorées en mode RVB, jusqu'à la sélection des variables les plus pertinentes pour réduire la complexité de l’algorithme développé. Ensuite on a représenté les données à traiter suivant les bases de la logique floue, en définissant ainsi une fonction d’appartenance de chaque attribut à chaque sous-ensemble flou. A la fin, on a généré les itemsets flous ainsi que les règles d’association floues suivant des seuils adéquats pour chaque paramètre de l’algorithme proposé. Ce travail a beaucoup enrichi nos connaissances dans le domaine de la bioinformatique, ainsi que dans la maitrise des techniques d’Extraction des Connaissances à partir de Données (ECD) et les méthodes de fouille des données. Aussi, ce projet nous a permis d’approfondir nos connaissances sur la méthode d’extraction des règles d’associations et sur les notions de la logique floue. Et enfin, on a appris aussi la programmation sous le puissant environnement de programmation MatLab, spécialement coté techniques de traitement d’images numériques. Nous proposons comme perspective d'inclure les aspects temporels présents dans la base de données d’expression génétique, fournissant ainsi des règles qui définissent les relations entre les différentes phases de développement de l’embryon de l’espèce modèle « Edinburgh Mouse |
| Note de contenu : |
Sommaire
Table des matières
REMERCIEMENTS ............................................................................................................................... 2
Introduction générale ........................................................................................................ 10
CHAPITRE 01 Etat de L’art sur la bionformatique
Etat de l’art sur la bioinformatique ..............................................................
1. Introduction .......................................................................................................... 13
2. Quelques définitions de la bio-informatique ................................................................................. 13
2.1 Définition 01.......................................................................................................................... 13
2.2 Définition 02.......................................................................................................................... 13
2.3 Définition 03.......................................................................................................................... 14
3. Historique .............................................................................................................. 14
4. L e but de la bioinformatique ........................................................................................................ 16
5. Les grands domaines d’application de la bioinformatique ............................................................ 16
6. Quelques précisions biologiques ................................................................................................... 17
7. Les Banques de données ............................................................................................................... 19
7.1 Les banques de données généralistes .................................................................................... 19
7.2 Les banques de données spécialisées ................................................................................... 19
7.3- Les images d’expression génétique ............................................................................................ 19
8. L’imagerie in vivo des expressions génétiques ............................................................................. 20
8.1 L’imagerie in vivo de l’embryon du « poisson zèbre » ............................................................. 20
8.2 L’imagerie in vivo de l’embryon de « Edinburgh Mouse » ...................................................... 21
8.2.1 L’embryon de la souri .............................................................................................................. 22
9. Conclusion ............................................................................................................... 25
Extraction des connaissances ................................................................................................................ 26
1. Introduction ......................................................................................................... 27
2. Extraction des connaissances à partir de données (ECD/KDD) .................................................... 27
2.1 Nettoyage et intégration des données .................................................................................... 28
2.2 Prétraitement des données ..................................................................................................... 28
2.3 Fouille de données (Data Mining) ......................................................................................... 29
2.4 Evaluation et présentation ..................................................................................................... 29
3. Fouille de données (data mining) .................................................................................................. 30
3.1 Définition .............................................................................................................................. 30
3.2 Principales tâches de fouille de données ............................................................................... 31
3.2.1 La classification ............................................................................................................. 31
3.2.2 L'estimation ................................................................................................................... 31
3.2.3 La prédiction .................................................................................................................. 31
3.2.4 Les règles d'association ................................................................................................. 31
3.2.5 La segmentation ............................................................................................................ 32
4 Les méthodes de fouille de données .............................................................................................. 32
4.1 Segmentation ......................................................................................................................... 32
4.1.1 La méthode des K-Moyennes ........................................................................................ 32
4.1.2 Le FCM ......................................................................................................................... 33
4.1.3 Le PCM ......................................................................................................................... 34
4.2 Classification ......................................................................................................................... 34
4.2.1 Les arbres de décision ................................................................................................... 35
4.2.2 Les réseaux de neurones ................................................................................................ 35
5 Les règles d’association .................................................................................................. 36
5.1 Les Itemsets et autres éléments fondamentaux ..................................................................... 37
5.2 Le processus d’extraction des règles d’associations.............................................................. 37
5.2.1 Sélection et préparation des données ................................................................................... 38
5.2.2 Découverte des Itemsets fréquents ...................................................................................... 38
5.2.3 Génération des règles d’association ................................................................................... 38
5.2.4 Visualisation et interprétation des règles d’association ....................................................... 38
5.3 Types de motifs extraits ........................................................................................................ 38
5.3.1 Base de données binaires ............................................................................................... 39
5.3.2 Base de données quantitatives ....................................................................................... 39
5.3.3 Base de données temporelles ......................................................................................... 40
5.4 Mesure de qualité d’une règle d’association ......................................................................... 40
5.5 L’algorithme Apriori d’Agrawal ........................................................................................... 41
5.5.1 Les propriétés de l’algorithme Apriori .......................................................................... 42
5.5.2 Pseudo-code de l’algorithme APRIORI ........................................................................ 42
5.6 Algorithme de génération des règles d’association ............................................................... 43
5.7 Exemple d’extraction de règle d’association ......................................................................... 44
6. L’image Mining ....................................................................................................... 47
6.1 Transformation, filtrage et mise en forme .................................................................................. 47
6.2 Extraction des caractéristiques ................................................................................................... 47
6.3 Mise en oeuvre des méthodes de data mining ........................................................................ 48
8 Conclusion .................................................................................................................... 48
Théorie de la logique floue ................................................................................................... 49
1Introduction ......................................................................................................................... 50
1. La théorie des probabilités ............................................................................................................ 50
Le cadre bayésien .......................................................................................................................... 50
2. La théorie des croyances ............................................................................................................... 50
3. La théorie des Possibilités ............................................................................................................. 51
3.1.1 Mesure et distribution de possibilité .............................................................................. 51
3.1.2 Mesure de nécessité ....................................................................................................... 52
4. La logique flou .............................................................................................................................. 53
4.1 Logique classique et logique floue ........................................................................................ 53
4.2 Sous-ensembles flous ............................................................................................................ 54
4.3 L’univers de discoure ............................................................................................................ 54
4.4 Les variables linguistiques .................................................................................................... 55
4.5 Fonction d’appartenance ....................................................................................................... 55
4.6 Caractéristique d’un sous-ensemble floue ............................................................................. 56
4.7 Opérations sur les sous-ensembles flous ............................................................................... 57
4.8 Normes et Conormes triangulaires ........................................................................................ 59
4.8.1 Norme triangulaire, t-norme .......................................................................................... 59
Intersection définie par une t-norme : o ................................................................................ 59
4.8.2 Conorme triangulaire, t-conorme .................................................................................. 59
Union définie par une t-conorme :......................................................................................... 60
5. Les règles d’association floues ...................................................................................................... 60
5.1 Définitions : Item flou, Itemset flous, Itemset flous fréquent ..................................................... 61
5.2 Mesures de qualité des Itemsets flous .................................................................................. 61
5.2.1 Le degré d’un Itemset (X,A) ................................................................................................ 61
5.2.2 Supportd’un Itemset ( |
| Côte titre : |
MAI/0225 |
| En ligne : |
https://drive.google.com/file/d/1mTQUGDxRwNvd3_DsM2de201TgrCKJGB-/view?usp=shari [...] |
| Format de la ressource électronique : |
pdf |
|
Ajouter le résultat dans votre panier Affiner la rechercheExtraction des connaissances à partir des séquences d’images d’expression génétique / Amaouche, Samiha
