Contribution aux sciences de données via des modèles Hybrides de Clustering

Abstract

Le besoin d'extraire et de traiter les informations à partir de données brutes, est l'un des objectifs les plus connus en analyse de données pour l'aide à la décision. Dans ce contexte, nous abordons les différents aspects techniques liés aux algorithmes utilisés pour la classification et l'extraction de connaissances utiles. Dans notre thèse, nous exposons les critères de mesure, de classifications et d'évaluations de données. Toutefois, face au nombre énorme d'informations et de leurs types, il nous a paru intéressant de mettre en évidence les processus de datamining et de Clustering. Nous commençons par analyser les méthodes exploitant les règles d'associations et la recherche de motifs fréquents. Nous invoquons les relations et les concepts formels ainsi que les méthodes de recherches sélectives et la programmation logique inductive sans oublier les graphes comme support d'information. Nous mettons en relief les différents types de Clustering envisageables suivant les critères et les contraintes existantes. Ainsi nous identifions les différents paramètres de mesure de similarité et d'évaluations Par la suite, nous proposons une nouvelle approche qui vise à automatiser l'extraction de la connaissance à partir du texte et de données numériques. Et en comparant quatre modèles, nous mettons en évidence l'importance de l'intervention humaine pour une bonne classification de données textuelles. Nous finissons notre approche par l'étude de la classification à l'aide des algorithmes DBSCAN et DENCLUE, et àjtravers une application réalisée par nous-même nous faisons des simulations sur des bases de données pour montrer les limites et les paramètres agissant sur la qualité et le choix de la méthode de Clustering.