GoBack

Description

G
o
B
a
c
kF
o
u
i
l
l
e
d
e
D
o
n
n
é
e
s
F
.
-
X
.
J
o
l
l
o
i
s
D
p
t
S
T
I
D
–
I
U
T
P
a
r
i
s
D
e
s
c
a
r
t
e
s
f
r
a
n
c
o
i
s
-
x
a
v
i
e
r
.
j
o
l
l
o
i
s
@
u
n
i
v
-
p
a
r
i
s
5
.
f
r
F
.
-
X
.
J
o
l
l
o
i
s
S
6
–
L
P
D
a
t
a
M
i
n
i
n
g
-
#
1s
l
l
l
s
l
s
s
I
n
t
r
o
d
u
c
t
i
o
n
I
n
t
r
o
d
u
c
t
i
o
n
A
s
s
o
c
i
e
r
,
c
o
n
s
t
r
u
i
r
e
d
e
s
r
è
g
l
e
s
e
t
d
e
s
m
o
d
è
l
e
s
P
l
a
n
d
u
c
o
u
r
s
d
é
c
i
s
i
o
n
n
e
l
s
;
l
e
s
a
p
p
o
r
t
s
s
p
é
c
i
fi
q
u
e
s
d
u
D
a
t
a
M
i
n
i
n
g
R
a
i
s
o
n
n
e
m
e
n
t
à
B
a
s
e
d
e
C
o
n
n
a
i
s
s
a
n
c
e
s
R
é
s
e
a
u
x
d
e
n
e
u
r
o
n
e
s
R
è
g
l
e
s
d
’
a
s
s
o
c
i
a
t
i
o
n
M
o
d
è
l
e
s
s
t
a
t
i
s
t
i
q
u
e
s
:
l
i
n
é
a
i
r
e
,
l
i
n
é
a
i
r
e
g
é
n
é
r
a
l
i
s
é
,
l
o
g
i
s
t
i
q
u
e
,
p
a
r
a
r
b
r
e
d
e
d
é
c
i
s
i
o
n
,
.
.
.
I
n
t
e
l
l
i
g
e
n
c
e
a
r
t
i
fi
c
i
e
l
l
e
I
m
i
t
a
t
i
o
n
d
e
c
o
m
p
o
r
t
e
m
e
n
t
s
h
u
m
a
i
n
s
U
t
i
l
i
s
a
t
i
o
n
d
’
h
e
u
r
i
s
t
i
q
u
e
e
t
/
o
u
d
e
m
o
d
è
l
e
s
A
p
p
r
e
n
t
i
s
s
a
g
e
a
u
t
o
m
a
t
i
q
u
e
P
r
o
c
e
s
s
u
s
f
a
i
s
a
n
t
é
v
o
l
u
e
r
l
a
c
o
n
n
a
i
s
s
a
n
c
e
d
e
l
a
m
a
c
h
i
n
e
D
i
f
f
é
r
e
n
t
s
t
y
p
e
s
d
’
a
p
p
r
e
n
t
i
s
s
a
g
e
F
.
-
X
...

Sujets

• Sikorsky S-61
• Réseau de neurones artificiel
• Jean-Baptiste Jollois
• Fair Game (film, 1995)
• 11e étape du Tour d'Espagne 2009
• Puissance du continu

Informations

• Publié par: Awle
• Nombre de lectures: 62
• Langue: Serbian

Extrait

GoBack

F.-X. Jollois

Fouille de Données

F.-X. Jollois

Dpt STID – IUT Paris Descartes

[e-mail]

S6 – LP Data Mining - #1

tnIòudor duanurco ioct Pl n ò àtaBmeneosnnR s ia anceaissConn sede noruenedxuaeséR s cisoasd'esglRè es s ioat .- n FJoX.oill

s Intelligence articielle l Imitation de comportements humains l Utilisation d'heuristique et/ou de modèles

s Modèles statistiques : linéaire, linéaire généralisé, logistique, par arbre de décision, . . .

s Associer, construire des règles et des modèles décisionnels ; les apports spéciques du Data Mining

Introduction

s Apprentissage automatique l Processus faisant évoluer la connaissance de la machine l Différents types d'apprentissage

S6 – LP Data Mining - #2

S6 – LP Data Mining - #3

Plan du cours

s Raisonnement à base de connaissances

s Règles d'association

s Réseaux de neurones

s Machines à supports vectoriels

s Réseaux Bayésiens

s Récapitulatif sur un jeu de données

ctdun ò ioòIront enruxued èRlg nose ssannnai ésea ces R àtnemenn oC edesaB coduanPl soai s R ur .X-.lloJsio d'essoasatcin F io

F.-X.

Jollois

Raisonnement

à

Base

de

Connaissances

S6

–

LP

Data

Mining

-

#4

òoducIntr òPla tion sruocudn ennosiaRasàBntme naon e C ed eriomém alednoitaisanrgòO asscdere tlarò s iF iaermili cas s hedehercòRec separpud oita tÉò nréòPntse saisesnc Sòrtcuut msjauesrProblème ocessus ò sdleègòRatptda'a tamrofsnellennoi tiveriva ptatòAda dApa oi ò n noédatit ctlenoioimpte ò al teegelésoitc éSò n as òAdaptation tra éRtulisitaoidnce 3:leROCHòE EY mpxe :4elFEHCEò AM pmex ple1:PRO nts òExem lp2eC:SA OT ò S xEme anAv e ò agsstienpr einévnocnI&segat e òÉv ativériviond ò r pA ives–réRlaeu olsi senor ' ol.J-XF. rotiAògln-snmh k e Rése ousR eneuauxd

s Problèmes majeurs l Représentation des cas l Recherche des cas similaires l Utilisation des cas

Présentation

S6 – LP Data Mining - #5

s Étapes du processus l Du problème à sa solution

s Exemples connus

s Avantages & Inconvénients

male òRéu tionopti no Sòléce stléceit tr on sfan apAdtita edno ò sacilititas tionaptad'adglesò e èR enllitnoroam ontitaapAd e ò ivatvirédnoitatpadAò no Éòatepdspuorec ances òPrésentati ruej tSò s tcurderu usss roòPèmblmaes al ém noed ò e eR omri s òOr esca satigani Fò serial eegartli edcherch misi asec nn- k suosirogemht nedeonurés R Ruxea ' se X.JolloiF.-s ridétiva òÉ ve luvaR–resivé Aò re erppntissage òAvantagseI&cnnoévinnest lempxeòEOSOTPR1: elpmexEò ò YESAC:2 ple3ExemOMA ò :CHR lp4exEme ò F lA C:EH

Solution adaptée

Recherche

Problème

Réutilisation

Ancien cas

Solution

S6 – LP Data Mining - #6

Révision

Étapes du processus

Base de cas Apprentissage Connaissances Nouve dudomaine au cas

aC eé Sutoln v io idal vusé ssimilaires retro tàBasede Connaiss ocru R s iaosnnmene duroioct Pl n òduan tnIò

olsi ousR Réseauxdeneu Aòglrotimh k en-sn -XF.ol.J enors ' C:SAlp2exEme OT ò S:PROple1Exem nts ò FEHC:4elpmexEò AMROCH3:lempxeòE EY ives ò r pA laeu–réR ative òÉv iondériv vnoceinéegatnI&s e ò ag anAv enprssti

s Représentation des cas l  ?Quelles informations l Comment les stocker ?

s Recherche des cas similaires l Similaritéentre cas l Données manquantes et/ou non-concordantes

s Utilisation du ou des cas similaires l Appliquer la solution de ces cas l  ?Adapter la solution : comment

S6 – LP Data Mining - #7

Problèmes majeurs

e C ed naon ntmeasàBsiaRenno cudnsruo tion òPla Introducò dncetaoilisiéRtu n tra atiodapt as òA éSò noitcelésteeg e ò alimptnoioctle atitnoéd oi ò n dApa òAdaptat rivative nnoielleofsntamr da'aatptègòRsdle sus ò oces lèmeProbuesrmsja cuutSòrt esncsais ntseréòP tÉò noita rpudsepa òRecherchedecas smiliiaer ò s iFtlar dereassc rgòOisanoitaledn mém a erio

s Explication des échecs

S6 – LP Data Mining - #8

Structure des cas

s Description du problème l Couple {attribut–valeur} correspondant à une caractéristique l Typage des attributs n Texte, entier, réel, booléen, date n Symboles, cas, formule, liste

s ntuoiSlo l Étapes pour arriver à cette solution

s Résultat de l'évaluation l Réussite ou échec

' .FX-.Jollois e ò al utRéisilioat éSò n tcelonoimitp ltrageetsélectio ac s s miliiaer ò s iF ecòR reoi deherche oitasina mém aledn redeuctu òOrg scas msjaèlem Sòrt uesrò sus borP rpudsecoÉt n òesap ntseioat cnse Pòér noansias àBasede C onnementsiaR sruocudnalPò ontiucodtrInò n-snuoRs éResuadxeneurones ORHC Eò AM pmex:4elEFCH lgòAitore k hm OT ò SP:OR lp2exEmeEY òE :CAS le3:xemp egatnavAvnocnI&ss ò ntieén e1plemEx r–Révise e òÉvalue itssga ò eò r pArpne veti daòA déonvari virévitatatpdnoi 'adalesdòRèg elle atitdApa oi ò ntpta ioatptdaòA asecnd nnoitamrofsnart n

àtaBesedosnnmene cours Rai n òPlandu udoroitctnIò ò s tS ejruseamlbmèòPro ssusrocesdupepatÉò noitatneséPr s ò ceanssainnCo OSOTPR1: lempxeòE stneinév elpmexEò OMA ò :CHR ple4Exem ES ò Y:2AC lp3exEme nn k -usso és R Ruxea EHC: lAò F irogemht ' F.- edenrunose soillJoX. rudeurtc ò s rO seac satiganila mé onde eRò eriom dehcrehc misi asec òF esirla lirtgaeestléceiton òSélectionoptielam uéRòilititasdeons ò ca apAdtita tionormaansf on tr 'ddalgseò e èR enll atptdaòA ontitaap dAò evitavirédnoi dérivatiaptation reR–vési ev Éòavul isntgesaòA er repp I&senocnavAògatn

s Indexation utilisée pour une recherche rapide s Modèle simple l Arbres de décision l Hiérarchie de prototypes s Deux modèles de mémoire l Modèle à mémoire dynamique l Modèle à base de catégories

Organisation de la mémoire

S6 – LP Data Mining - #9

s Recherche de cas avec une complexité non-linéaire en fonction du nombre de cas dans la base

s aceslrseleeiRrentxeu

Recherche de cas similaires

S6 – LP Data Mining - #10

s Découpage en deux phases l Filtrage l itnoSecél

s Déterminer et corriger les données bruitées ou incohérentes l Outils de nettoyage de données (data cleaning) l Déduction à partir d'autres caractéristiques l A faire valider par l'utilisateur

s Etudier le cas cible l Identier ses caractéristiques l Établir son contexte si possible

edescturStru urs ò amejmèseorlb su Pò ssceroupsdpetaòÉ noitatnesérPò secnnaissan Basede Co nnmeneàt ru R s iaos anPlcodu ctdun ò ioIòortn itnopaat fsrortna tionlisas òAd deca amitpono ituéRò el ontiecél tiecélòS rise Fòlirtgaeest erchedecas simila aled omém ò eri hceR s ò ca gaOrsanionti Éòavulre iravitev òApprent –Réviser tnavsega assi Aò eg enni òE tsnc&Ivéon èRlg ll ò enoenamit on òA tatiadapesd' tavirédnoitatpad déontitaapAd e ò iv rithme k -nnsousR Rséaexuedenrunose ' F.X-.lloJsio le1:xempOS òE PROT el:2expm ò Y xE ACES :Ce3plem Ex A ò OMHR C:4elpme oglAò FEH