| Titre : | Les méta-heuristiques, les méthodes bio-inspirées et le datamining pour l'extraction des connaissances en vue des Big data |
| Auteurs : | HAMOU Reda Mohamed, Directeur de thèse ; BOUSMAHA RABAB, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Algèrie:unv saida-Dr Moulay Tahar, 2020-2021 |
| Format : | 167p. / 29cm |
| Accompagnement : | CD |
| Note générale : | Bibliographie |
| Langues: | Français |
| Catégories : | |
| Mots-clés: | Extraction des connaissances, Métaheuristiques, Data Mining, Algorithmes évo- lutionnaires, Algorithmes d’intelligence des essaims, Optimisation combinatoire, Sélection d’attributs, Classification. |
| Résumé : |
Le processus de l’extraction des connaissances comprend plusieurs étapes qui sont la sélection attributs, le prétraitement, la transformation, l’exploration des données et l’inter- prétation des résultats. Tous ces problèmes peuvent être formulés comme des problèmes d’optimisation combinatoire or, de nombreux problèmes d’optimisation combinatoire sont NP-difficile et ne pourront pas être résolus de manière exacte dans un temps raisonnable. D’où plusieurs travaux utilisent des méthodes d’optimisation pour résoudre ces problèmes. Aujourd’hui, les données à analyser sont non seulement volumineuses, mais ils sont compo- sés de différents types de données, et comprennent même des données continues. Comme les méthodes traditionnelles d’analyse de données ne sont pas conçues pour des données complexes. Cette thèse a pour but de réunir les forces des métaheuristiques, des méthodes bio inspirées ainsi que le data mining pour effectuer l’extraction des connaissances robustes, et d’optimiser les méthodes existantes. Nous nous sommes particulièrement intéressés à la réalisation et la conception des algorithmes basés sur l’hybridation des algorithmes évolu- tionnaires et les algorithmes d’intelligence des essaims pour l’optimisation globale et pour résoudre différents problèmes d’extraction de connaissances à savoir la sélection d’attributs et l’optimisation des algorithmes de classification à savoir les réseaux de neurones a pro- pagation avant, les réseaux de neurones récurrents et les machines à vecteurs de support (SVM) appliqué sur plusieurs domaines. |
| Note de contenu : |
1-Métaheuristiques et bio-inspirations 2-L’extraction de connaissances 3-Réseaux de neurones et apprentissage profond 4-Métaheuristiques pour la classification supervisée et la sélection d’attributs 5-Un nouvel algorithme basé sur l’optimisation des chauves-souris avec l’évolution différentielle auto-adaptative pour l’entrainement de réseaux de neurones à pro-pagation avant 6-Sélection automatique des neurones cachés et des poids dans les réseaux de neu- rones pour la classification des données à l’aide de l’optimisation hybride des es-saims de particules et l’optimisation multi-verse basée sur le vol de Lévy 7-L’hybridation entre l’optimiseur de loup gris et l’optimiseur de multi-vers (MVGWO) pour les problèmes d’optimisation globale à grande dimension |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| TECT01941 | T.I.DOC00012 | Périodique | Ouvrages | 27 | Libre accès Disponible |
