Académique Documents
Professionnel Documents
Culture Documents
Introduction
Maria Malek ` Filiere TSI EISTI
Dcouverte de connaissances partir de donnes ? un processus itratif par lequel on extrait des connaissances valides, nouvelles, potentiellement utiles et comprhensibles [Fayyad et al., 1995]
Dcouverte de connaissances partir de donnes ? un processus itratif par lequel on extrait des connaissances valides, nouvelles, potentiellement utiles et comprhensibles [Fayyad et al., 1995] "Comment faire parler les donnes ? "
Les donnes ??
est un enregistrement,un individu (statistique), une instance (orient objet), un point, un vecteur.
Une donnee
Les donnes ??
est un enregistrement,un individu (statistique), une instance (orient objet), un point, un vecteur.
Une donnee
Les donnes ??
est un enregistrement,un individu (statistique), une instance (orient objet), un point, un vecteur.
Une donnee
Structure de base : un exemple/cas/observation = vecteur de p attributs ou variables chaque attribut prend sa valeur dans un domaine donn.
Les donnes ??
est un enregistrement,un individu (statistique), une instance (orient objet), un point, un vecteur.
Une donnee
Structure de base : un exemple/cas/observation = vecteur de p attributs ou variables chaque attribut prend sa valeur dans un domaine donn. Ensemble dattribut - valeur : Techniques de logique dordre 0 ou propositionnelle.
Les donnes ??
est un enregistrement,un individu (statistique), une instance (orient objet), un point, un vecteur.
Une donnee
Structure de base : un exemple/cas/observation = vecteur de p attributs ou variables chaque attribut prend sa valeur dans un domaine donn. Ensemble dattribut - valeur : Techniques de logique dordre 0 ou propositionnelle. Attributs & relations : Apprentissage relationnel & programmation inductive logique (logique de prdicats).
: variable dont la
: variable dont la
valeur est obtenue par observation Variable dependante/reponse/cible : variable dont la valeur dpend dautres variables
: variable dont la
valeur est obtenue par observation Variable dependante/reponse/cible : variable dont la valeur dpend dautres variables Apprentissage supervis & non supervis
: variable dont la
valeur est obtenue par observation Variable dependante/reponse/cible : variable dont la valeur dpend dautres variables Apprentissage supervis & non supervis Apprentissage non supervise : pas de variable cible ex. regroupement (clustering).
: variable dont la
valeur est obtenue par observation Variable dependante/reponse/cible : variable dont la valeur dpend dautres variables Apprentissage supervis & non supervis Apprentissage non supervise : pas de variable cible ex. regroupement (clustering). Apprentissage supervise : une variable cible (valeur prdire) ex. classication.
Rsultat du processus
Connaissances sont extraites sous forme dun :
Rsultat du processus
Connaissances sont extraites sous forme dun : ` modele : un rsum global de lensemble de donnes applicable sur nimporte quelle instance appartenant lespace des donnes ;
Rsultat du processus
Connaissances sont extraites sous forme dun : ` modele : un rsum global de lensemble de donnes applicable sur nimporte quelle instance appartenant lespace des donnes ; motif (pattern) : rsum local dune rgion de lespace des donnes ; exemple : une rgle.
Regroupement, Association.
Fonction dvaluation : permet de mesurer la qualit dun modle ; Exemple : classication: taux dexemples bien classes.
Fonction dvaluation : permet de mesurer la qualit dun modle ; Exemple : classication: taux dexemples bien classes. Mthode de recherche : stratgie utilise pour parcourir lespace dhypothses et pour trouver celle qui optimise la fonction dvaluation.
Fonction dvaluation : permet de mesurer la qualit dun modle ; Exemple : classication: taux dexemples bien classes. Mthode de recherche : stratgie utilise pour parcourir lespace dhypothses et pour trouver celle qui optimise la fonction dvaluation. Stratgie de gestion des donnes : la faon de stocker, dindexer et daccder aux donnes.
Ct Pratique ..
Etude de la problmatique de la classication
Ct Pratique ..
Etude de la problmatique de la classication
Comment valider un classieur.
Ct Pratique ..
Etude de la problmatique de la classication
Comment valider un classieur. Etude de lalgorithme k plus proche voisins .
Ct Pratique ..
Etude de la problmatique de la classication
Comment valider un classieur. Etude de lalgorithme k plus proche voisins . Utilisation du logiciel Weka.
La classication
Types de classeurs Construction dun modle arborescent permettant de prdire la classe dune donne. Estimation directe de la classe dune donne en fonction des exemples. Construction dun modle rglable par lhumain (les rseaux de neurones, et les machines vecteurs supports).
La prcision mesure la proportion des exemples vraiment positifs parmi ceux qui taient classs positifs. Le rappel mesure la proportion des exemples positifs trouvs parmi tous les exemples positifs.
La prcision mesure la proportion des exemples vraiment positifs parmi ceux qui taient classs positifs. Le rappel mesure la proportion des exemples positifs trouvs parmi tous les exemples positifs.
La prcision mesure la proportion des exemples vraiment positifs parmi ceux qui taient classs positifs. Le rappel mesure la proportion des exemples positifs trouvs parmi tous les exemples positifs.