Please use this identifier to cite or link to this item: http://dspace.univ-usto.dz/handle/123456789/437
Full metadata record
DC FieldValueLanguage
dc.contributor.authorNabil NEGGAZ-
dc.date.accessioned2021-02-21T10:29:20Z-
dc.date.available2021-02-21T10:29:20Z-
dc.date.issued2021-02-21-
dc.identifier.urihttp://dspace.univ-usto.dz/handle/123456789/437-
dc.description.abstractLes techniques d’analyse des données ont connuun essor important surtout avec le développement de l’informatique et big data. Levolume important des données nécessite comme un prétraitement:la réduction des données, ce qui est l’objectifprincipal de l’analyse des donnéesen premier lieu. Pour résoudrele problème de la dimensionalité, les méthodes multidimensionnelles tellesque l’Analyse en Composantes Principales (ACP)etl’Analyse Factorielle des Correspondances (AFC)seront exploitéeset expliquées en détail dans cet ouvrage.En second lieu, l’interprétation et la classification des données dans le domaine de la reconnaissance des formes, la fouille des données et l’intelligence artificielle font appel aux méthodes de classificationplus particulièrement l’algorithme de la classification hiérarchique qui permet une représentation arborescenteappeléedendrogrammeet les méthodesde partitionnement «clustering»comme l’algorithme des centres mobiles qui est très utilisé dans l’apprentissage non-supervisé.En plus, les méthodes morphologiques à base des opérateurs de traitement d’image comme l’érosion, dilatation, ouverture et fermeturepeuvent êtreutilisées dans le domaine de la classification.La prévision dans le domaine d’économieet le domaine d’épidémiologienécessitent des modèles statistiques puissants. Pour cela, nous avons introduit la méthode des moindres carrés et les séries chronologiques. Généralement, deux modèles sont exploités comme la prévision linéaire et la prévision exponentielle. Pour juger l’efficacitédes modèles proposés, un coéfficient de corrélation doit êtremesuré.Cet ouvrage est organisé autour decinq chapitres dela façon suivante:Chapitre1décrit d’une façon détaillée la nature des variables, les mesures de similarité ainsi les différents types de tableaux de données. De plus, quelques ingrédients dédiés à l’analyse factorielle des correspondances (AFC) ont été proposés.Chapitre 2représentele noyau de cet ouvrage car il explique profondément l’algorithme d’ACP avec des exercices d’applicationsen variant la métrique selon des données homogènes/hétérogènes.Chapitre3a un grand impact dans le clustering c.à.d.la classification non-supervisée. Ce chapitre explique 4 méthodes de classification:Classification Hiérarchique ascendante(CHA), Algorithme des Centres Mobiles (ACM), Maximum de Vraisemblanceet les méthodes morphologiquesChapitre4joue un rôleimportant dans la prévisionen se basant sur des méthodes statistiques comme la méthode des moindres carrés.Chapitre5:introduit les séries chronologiques quientre dans le cadre de la prédictionen tenant comptedela composante temporelle.Enfin, dans l’espoir que cet ouvrage constitue la première marche d’un long escalier et permet aux lecteurs d’acquérirdesnouvelles connaissancesen analyse des données.en_US
dc.publisherUniversity of Sciences and Technology of Oranen_US
dc.subjectanalyse en composantes principales (acp)en_US
dc.subjectAlgorithme des centres mobiles (acm)en_US
dc.subjectalgorithme de la classification hiérarchique (cha)en_US
dc.subjectsérie chronologiqueen_US
dc.titleCours d’Analyse des Donnéesen_US
dc.typeWorking Paperen_US
Appears in Collections:Cours en ligne

Files in This Item:
File Description SizeFormat 
AD_NN.pdf2,99 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.