La visualisation des connaissances

La visualisation et lโ€™interaction

Selon Lamy (Lamy, 2006), la visualisation de l’information ne peut รชtre traitรฉe sans aborder l’interaction. Cette derniรจre rend possible l’exploitation rรฉelle des vues d’ensemble une fois produites. En effet, la perception est indissociable de l’action : c’est le couplage ยซ action perception ยป. Ainsi l’รชtre humain est plus habile ร  extraire des informations d’une interface s’il peut agir directement et activement sur cette interface que s’il reste passif.

L’interaction sera donc mise en avant dans les diverses approches de visualisation dรฉveloppรฉes plus bas. Ces derniรจres sont dรฉveloppรฉes par (Keim, 2002) qui distingue les qualificatifs ยซ dynamique ยป et ยซ interactif ยป selon que les modifications apportรฉes ร  la visualisation des donnรฉes soient effectuรฉes automatiquement ou manuellement (l’utilisateur final pouvant agir directement) :

๏‚ง Projections dynamiques : il s’agit de changer dynamiquement les projections afin d’explorer un ensemble de donnรฉes multidimensionnelles.
๏‚ง Filtrage interactif : il s’agit d’avoir, d’une part, la possibilitรฉ de diviser interactivement lโ€™ensemble des donnรฉes dans des segments et, d’autre part, de se concentrer sur les sous-ensembles intรฉressants. Ceci peut รชtre fait en choisissant directement le sous-ensemble dรฉsirรฉ (browsing) ou en spรฉcifiant des propriรฉtรฉs du sous-ensemble dรฉsirรฉ (querying).
๏‚ง Zoom interactif : il s’agit de partir d’une vue globale des donnรฉes et de permettre l’affichage des dรฉtails selon diffรฉrentes rรฉsolutions.
๏‚ง Distorsion interactive : il a l’avantage de pouvoir montrer des parties de donnรฉes avec un niveau รฉlevรฉ de dรฉtail tandis que la vue d’ensemble est prรฉservรฉe (les autres parties de donnรฉes รฉtant visibles avec un niveau moindre de dรฉtail). Il existe des techniques de dรฉformation hyperboliques ou sphรฉriques souvent employรฉes sur des hiรฉrarchies ou des graphiques. Ces techniques utilisent une sorte de loupe (fish-eye) dรฉformante que l’on promรจne ร  son grรฉ sur l’ensemble des donnรฉes.
๏‚ง Liens interactifs et brossage (interactive linking and brushing) pour les donnรฉes multidimensionnelles : l’idรฉe est de combiner des mรฉthodes diffรฉrentes de visualisation pour surmonter les imperfections des techniques simples. Les nuages de points (scatterplots) des projections diffรฉrentes, par exemple, peuvent รชtre combinรฉs en colorant et en liant des sous-ensembles de points dans toutes les projections.

La visualisation des connaissances

Tout comme la visualisation dโ€™informations, la visualisation des connaissances a pour fonction de reprรฉsenter graphiquement des donnรฉes abstraites. Comme (Tricot, 2006) le note, la visualisation de connaissances est une communautรฉ plus rรฉcente que celle de la visualisation dโ€™informations. Nous retrouvons ses origines dans la gestion des connaissances.

En gestion des connaissances, les connaissances constituent la ressource รฉlรฉmentaire. Donc, selon lโ€™acception que lโ€™on fait de la connaissance, les stratรฉgies mises en oeuvre diffรจrent (Burkhard, 2005) :
– Si la connaissance est perรงue comme un objet, la gestion des connaissances a pour objectif de mettre en oeuvre des solutions de stockage.
– Lorsque la connaissance est perรงue comme un processus, les stratรฉgies se concentrent sur lโ€™optimisation des processus manipulant les connaissances (comme lโ€™identification, la crรฉation et le partage de connaissances).
– Avec la connaissance perรงue comme une capacitรฉ, les stratรฉgies se concentrent sur la mise en valeur de lโ€™avantage stratรฉgique des connaissances (gestion des compรฉtences et construction dโ€™un capital de connaissances).
– Si la connaissance est considรฉrรฉe comme une condition dโ€™accรจs ร  lโ€™information, la gestion des connaissances consiste ร  mettre en place les mรฉthodes pour identifier, retrouver et accรฉder ร  lโ€™information.
– Enfin, si la connaissance est perรงue comme un รฉtat du savoir et de la comprรฉhension, la gestion des connaissances supporte les individus pour รฉtendre leurs connaissances.

Indรฉpendamment des diffรฉrentes acceptions sur le sens de la connaissance, la gestion des connaissances est assimilable ร  un processus dynamique qui a trois objectifs majeurs (Grundstein et al, 2004):
1. Optimiser les processus dโ€™entreprise pour les orienter dans une perspective de gestion de la connaissance.
2. Mettre en oeuvre des systรจmes pour stocker, identifier, retrouver et accรฉder aux informations et pour supporter la collaboration des individus.
3. Dรฉvelopper une culture de la connaissance pour motiver les personnes ร  prรฉvoir, crรฉer et partager leurs connaissances.

Tout comme dans le cadre de la visualisation dโ€™informations, la mise en oeuvre dโ€™une stratรฉgie de gestion des connaissances impose donc aux individus de manipuler un grand nombre dโ€™informations. Des supports externes sont encore une fois nรฉcessaires pour aider les individus ร  acquรฉrir, accรฉder, stocker, restructurer, communiquer et utiliser des connaissances. Cette problรฉmatique constitue lโ€™origine de la visualisation de connaissances.

Portant de ce constat, le concept de ยซ visualisation de connaissances ยป, pris dans son sens le plus strict, est limitรฉ aux aspects dโ€™externalisation de la connaissance dโ€™un individu pour lui-mรชme en utilisant un tracรฉ libre (Dansereau, 2005). Keller et Tergan dans (Keller et Tergan, 2005) font dโ€™ailleurs remarquer que lโ€™expression de ยซ visualisation de connaissances ยป est utilisรฉe pour dรฉsigner tout procรฉdรฉ permettant de prรฉsenter une structure de connaissances (comme dโ€™un expert ร  des รฉtudiants) ou encore, comme moyen pour รฉvaluer soi-mรชme des connaissances et aider ร  la comprรฉhension et ร  la navigation.

Enfin, la visualisation de connaissances, dโ€™aprรจs (Burkhard, 2005), correspond ร  ยซ l’utilisation de reprรฉsentations visuelles pour amรฉliorer le transfert de connaissances entre au moins deux personnes ou groupes de personnes ยป.

La diffรฉrence avec la visualisation dโ€™informations

La littรฉrature qui compare la visualisation dโ€™informations et la visualisation de connaissances est de plus en plus abondante (Keller et Tergan, 2005). Certains dรฉfinissent ces deux domaines comme complรฉmentaires et dโ€™autres les dรฉfinissent comme opposรฉs.

Pour (Jaeschke et al, 2005), la visualisation dโ€™informations porte sur des donnรฉes abstraites portant sur des objets et les relations entre ces objets, alors que la visualisation de connaissances porte sur des donnรฉes abstraites qui reprรฉsentent des connaissances. Pour (Burkard, 2005), la visualisation dโ€™informations et la visualisation de connaissances diffรจrent de buts, dโ€™avantages, de contenu, etc. nous constatons que, par exemple, dans sa dรฉfinition la plus communรฉment admise, la visualisation dโ€™informations se limite ร  la crรฉation de cartes interactives informatisรฉes alors que la visualisation de connaissances ne semble se limiter ร  aucun mรฉdia (รฉcran, papier, etc.).

De maniรจre plus gรฉnรฉrale, ces deux visions de la visualisation semblent donc diverger sur lโ€™objet de la visualisation (donnรฉes abstraites reprรฉsentant des connaissances ou non). Cependant, leur principale diffรฉrence est celle des origines: la visualisation dโ€™informations est issue des interfaces homme machine alors que la visualisation de connaissances est le fruit de la gestion des connaissances. Cette diffรฉrence dโ€™origine implique malheureusement une diffรฉrence de communautรฉ, une diffรฉrence de formation et de parcours pour ceux qui composent ces communautรฉs. Par consรฉquent, il est difficile de trouver un consensus sur leurs dรฉfinitions et sur leurs diffรฉrences.

Les connaissances รฉtant reprรฉsentรฉes sous forme de donnรฉes abstraites, la visualisation de connaissances exploite les techniques de la visualisation dโ€™informations.
Ainsi, la visualisation de connaissances peut รชtre perรงue comme une activitรฉ englobant la visualisation dโ€™informations ร  des fins de gestion de connaissances. Quoi quโ€™il en soit, ces deux communautรฉs partagent les mรชmes paradigmes.

La visualisation graphique en gestion des connaissances

Selon (Card et al, 1999), lโ€™esprit humain traite facilement les informations visuelles et en extrait rapidement un grand nombre de connaissances. La visualisation de connaissances (knowledge visualization) est un domaine de recherche rรฉcent (Eppler et Burkhard, 2005). Ermine dans (Ermine, 2007b) fait dโ€™ailleurs remarquer que la visualisation des connaissances est orientรฉe spรฉcifiquement vers le partage et le transfert de connaissances, et rencontre de ce fait une rรฉflexion particuliรจre dans la communautรฉ de la gestion des connaissances. De mรชme, (Keller et al, 2005) ont utilisรฉ l’expression de ยซ visualisation de connaissances ยป pour dรฉsigner tout procรฉdรฉ permettant de prรฉsenter un modรจle de connaissances comme moyen pour lโ€™รฉvaluation et lโ€™aide ร  la comprรฉhension et ร  la navigation. Enfin, (Lamy et al, 2006) ont affirmรฉ que la visualisation des connaissances nรฉcessite des mรฉthodes et des techniques diffรฉrentes de la visualisation dโ€™information.

Parmi les modรจles de connaissances, la reprรฉsentation graphique, par des techniques de cartographie, est souvent la plus souhaitรฉe.

Cependant, les reprรฉsentations visuelles proposรฉes dans les systรจmes de gestion des connaissances sont pour la plupart basรฉes, au moins implicitement, dโ€™un point de vue formel sur des modรจles dโ€™arbres ou plus gรฉnรฉralement de graphes. Dโ€™un point de vue thรฉorique, ces mรฉthodes ont pour la plupart รฉtรฉ initialement dรฉveloppรฉes dans la communautรฉ de la visualisation dโ€™information (Herman et al, 2000). Dโ€™un point de vue applicatif en gestion des connaissances, la paire insรฉparable (modรจle, reprรฉsentation visuelle) dรฉpend ร  la fois des connaissances dont on dispose, du mode de raisonnement sur ces connaissances et des diffรฉrents points de vue ยซ utilisateurs ยป considรฉrรฉs dans le systรจme de gestion des connaissances. Nous nous restreignons ici aux rรฉfรฉrences associรฉs ร  des applications en gestion des connaissances.

De faรงon gรฉnรฉrale, les modรจles de visualisation sont souvent basรฉs sur le modรจle gรฉnรฉrique des rรฉseaux sรฉmantiques (Lehmann, 1992). Ils reprรฉsentent avec les sommets dโ€™un graphe des concepts et avec les arcs des relations sรฉmantiques entre ces concepts. La majeure partie des techniques prรฉsentรฉes ci-dessous pourrait รชtre considรฉrรฉe, dans le cadre dโ€™une reprรฉsentation descriptive, comme des spรฉcialisations des rรฉseaux sรฉmantiques.

La reprรฉsentation par arbres

Les reprรฉsentations sous forme dโ€™arbres qui sont parmi les plus abouties, regroupent des techniques trรจs diffรฉrentes :
– Les cartes cognitives (Buzan et Buzan, 1996) permettent une reprรฉsentation visuelle des idรฉes ; ce modรจle permet de reprรฉsenter autour dโ€™un sommet central des idรฉes ou des pensรฉes en crรฉant diffรฉrentes arborescences autour de ce sommet. Pour (Mongin, 2011), cette mรฉthode permet de visualiser une hiรฉrarchie temporaire et arbitraire de liens entre des donnรฉes suivant une architecture arborescente dans le but de donner une vision synthรฉtique du projet : objectifs, responsabilitรฉs, ressources, dรฉlรฉgations, coรปts, etc.

Lโ€™avantage รฉnorme de cette mรฉthode est de mettre ร  plat tous ces รฉlรฉments, de les structurer, et de les rendre tous accessibles en un coup dโ€™oeil. Dans la littรฉrature, diffรฉrentes solutions logicielles reprennent cette approche notamment MindManager5, Xmind6, etcโ€ฆ ou les diffรฉrentes solutions proposรฉes par ยซ The Brain ยป7. Ces derniers sont des logiciels de Mind Mapping professionnel conรงu pour faciliter la pratique du brainstorming et la visualisation des idรฉes. Ses capacitรฉs d’organisation favorisent le recueil et l’analyse des idรฉes, la mise en forme de rapports et la rationalisation du processus dรฉcisionnel.
– Les arbres de dรฉfaillances (Limnios, 2005) : lโ€™arbre de dรฉfaillances est une mรฉthode dรฉductive (dรฉductif : procรฉdant d’un raisonnement logique rigoureux). Elle permet de savoir comment un systรจme peut รชtre indisponible.
Il sโ€™agit de reprรฉsenter les diffรฉrentes รฉvรจnements et leurs liaisons par des portes de logique (fonction ET ou fonction OU selon que la dรฉfaillance du matรฉriel se produit lorsque les รฉvรจnements se rรฉalisent ensemble ou sรฉparรฉment) (Niel et Craye, 2002). Ils sont trรจs utilisรฉs dans le domaine de la sรปretรฉ de fonctionnement. Les reprรฉsentations graphiques permettent de reprรฉsenter lโ€™ensemble des pannes possibles pouvant se produire pour un รฉvรจnement donnรฉ. Un mรชme systรจme peut donc avoir plusieurs arbres de dรฉfaillances possibles. Cette technique est trรจs employรฉe dans le monde industriel oรน la sรฉcuritรฉ est primordiale (aรฉronautique, automobile, chimie, nuclรฉaire, …) (Pinaud et al, 2006);
– Les arbres de dรฉcision et plus gรฉnรฉralement les graphes dโ€™inductions ont รฉtรฉ initialement utilisรฉs en apprentissage automatique (Zighed et Rakotomalala, 2000). Pour (Kohavi et Quinlan, 1999), un arbre de dรฉcision modรฉlise une hiรฉrarchie de tests sur les valeurs dโ€™un ensemble de variables appelรฉes attributs.
ร€ lโ€™issue de ces tests, le prรฉdicteur produit une valeur numรฉrique ou il choisit un รฉlรฉment dans un ensemble discret de conclusions. Ils sont des modรจles privilรฉgiรฉs dโ€™exploration des donnรฉes ร  la fois pour la description et le classement. Les feuilles dโ€™un arbre de dรฉcision reprรฉsentent des classes dโ€™individus et chaque sommet intermรฉdiaire est associรฉ ร  un test sur un attribut dโ€™une des classes. Chaque arc correspond ร  une rรฉponse possible dโ€™un test (Quinlan, 1986).

La reprรฉsentation par graphes

La plupart des reprรฉsentations par graphes en gestion des connaissances se retrouvent associรฉes ร  trois grandes classes de modรจles dont les intersections peuvent รชtre importantes : les graphes conceptuels, les ontologies et les rรฉseaux bayรฉsiens.
– Les graphes conceptuels ont รฉtรฉ ร  lโ€™origine proposรฉs comme une reprรฉsentation graphique de la logique de premier ordre. Ils permettent de simplifier la mise en relation entre la logique et les langues naturelles (Sowa, 1992) pour obtenir une reprรฉsentation des donnรฉes qui soit lisible par tous et algorithmiquement puissante. D’une maniรจre formelle, un graphe conceptuel est un diagramme qui reprรฉsente non la syntaxe mais la sรฉmantique d’une phrase.

Un graphe est composรฉ de deux sortes de noeuds, les concepts et les relations conceptuelles, et d’arcs (Sowa, 2000). En gestion des connaissances, ils peuvent servir pour mettre en รฉvidence des relations entre les concepts (Aissaoui et al, 2003) et comme formalisme pour reprรฉsenter des ontologies (Fรผrst, 2004);

Le rapport de stage ou le pfe est un document dโ€™analyse, de synthรจse et dโ€™รฉvaluation de votre apprentissage, cโ€™est pour cela chatpfe.com propose le tรฉlรฉchargement des modรจles complet de projet de fin dโ€™รฉtude, rapport de stage, mรฉmoire, pfe, thรจse, pour connaรฎtre la mรฉthodologie ร  avoir et savoir comment construire les parties dโ€™un projet de fin dโ€™รฉtude.

Table des matiรจres

INTRODUCTION GENERALE
1. Problรฉmatique et Contribution
2. Structure de la thรจse
PREMIERE PARTIE:Cartographie et Visualisation des connaissances
Chapitre 1. Etat de lโ€™art โ€“ Cartographie des connaissances
1. Introduction
2. Donnรฉe, Information et Connaissance
2.1. Donnรฉe
2.2 Information
2.3 Connaissance
3. L’acquisition des connaissances
3.1. Les acteurs de l’acquisition des connaissances
3.1.1. Les experts
3.1.2. Le cogniticien
3.2. Les modes d’acquisition des connaissances
4. Les typologies des connaissances
4.1. Les modes de crรฉations et transfert des connaissances
5. Gestion des connaissances
5.1. Dรฉfinitions et objectifs
5.2. Le processus de gestion des connaissances
5.2.1. Cycle de vie de la connaissance d’aprรจs Dieng
5.2.2. Cycle de vie de la connaissance d’aprรจs Nonaka et Takeuchi
5.2.3. Cycle de vie de la connaissance d’aprรจs Grundestein
5.2.4. Cycle de vie de la connaissance d’aprรจs Ermine
5.3. Les mรฉthodes de capitalisation des connaissances
5.3.1. La mรฉthode MASK
5.3.2. La mรฉthode CommonKADS
5.3.3. La mรฉthode REX
5.3.4. La mรฉthode CYGMA
5.3.5. Synthรฉse sur la comparaison des mรฉthodes de capitalisation
6. Le rรดle de la cartographie dans la gestion des connaissances
6.1. Dรฉfinitions et objectifs
6.2. Cartes et cartographie
6.2.1. Carte gรฉographique
6.2.2. Carte des informations
6.2.3. Carte heuristique
6.2.4. Carte conceptuelle
6.2.5. Carte cognitive
6.2.4. Carte sรฉmantique
6.3. Cartographie des connaissances
6.3.1. Dรฉfinitions et objectifs
6.3.2. Les typologies de la cartographie des connaissances
6.3.2.1. Approche fonctionnelle
6.3.2.2. Approche conceptuelle ou par domaine
6.3.2.3. Approche procรฉdurale ou par processus
6.3.3. Les mรฉthodes de la cartographie des connaissances
6.3.3.1. Les mรฉthodes de cartographie des connaissances par processu
A). La mรฉthode GAMETH
B). La mรฉthode de Tseng et Huang
C). La methode KALAM
6.3.3.2. Les mรฉthodes de cartographie des connaissances par domaine
A). La mรฉthode Pomain et Roche
B). La mรฉthode d’arbre de connaissances
C). La methode MASK II ou M3C
6.3.4. Les modรจles de reprรฉsentation de la cartographie des connaissances
6.3.4.1. Le modรจle graphique
6.3.4.2. Le modรจle semi-formel -UML
6.3.4.3. Le modรจle de criticite
6.3.5. Aperรงu sur les travaux de cartographie realisรฉes -domaine/processus
6.4. Les outils disponible pour realisรฉ une carte des connaissances
7. Conclusion
Chapitre 2. Etat de l’art – Visualisation d’information et des connaissances
1. Introduction
2. Historique et objectifs de la visualisation
3. La visualisation d’information
3.1. Les techniques de visualisation d’information
3.2. La visualisation et l’intรฉraction
4. La visualisation des connaissances
4.1. La diffรฉrences avec la visualisation d’information
5. La visualisation graphique en gestion des connaissances
5.1. La reprรฉsentation par arbres
5.2. La reprรฉsentation par graphes
6. La visualisation des cartes de connaissances
7. Les outils de la visualisation graphique des connaissances
7.1. Cmap (rรฉseaux sรฉmantiques et cartes conceptuelles)
7.2. Rational Rose (modรจles UML)
7.3. Mind Manager (mindmapping)
7.4. MOT+ (modรฉlisation par objet types)
8. Conclusion
DEUXIEME PARTIE:BKMDM: Boolean Knowledge Mapping guided by Data Mining
Chapitre 3. PHASE I – Rรฉalisation et Modรฉlisation boolรฉenne de la cartographie des connaissances
1. introduction
2. Rรฉalisation de cartographie des connaissances (critiques ou cruciales)
2.1. Dรฉfinitions et objectifs
2.2. Le cadrage
2.3. Le repรฉrage des connaissances (domaines ou processus)
2.4. La construction de la carte des conaissances
2.4.1. Evaluation de la cartographie des connaissances
2.4.2. Dรฉfinition des critรจres de criticitรฉ
2.4.3. Calcul de criticitรฉ d’un domaine ou d’un processus de connaissances
2.4.4. Plan d’action
3. La modรฉlisation booleรจnne de la carte des connaissances
3.1. Quelques travaux realisรฉs avec CASI
3.2. La modรฉlisation booleรจnne d’un graphe (MBG)
3.2.1. Application de la modรฉlisation booleรจnne
3.2.2. Gรฉnรฉration des rรจgles
3.3. Modรฉlisation booleรจnne d’une carte de connaissances (PHASE I)
3.3.1. Reprรฉsentation booleรจnne d’une carte par MBG
3.3.1.1. Les matrices d’incidence (Entrรฉe et Sortie)
3.3.1.2. Les fonctions de transitions
3.3.1.3. Gรฉnรฉration des rรจgles de cartographie
4. Conclusion
Chapitre 4. PHASE II – La cartographie des connaissances guidรฉe par fouille de donnรฉes
1. Introduction
2. La cartographie des connaissances guidรฉe par fouille de donnรฉes
2.1. Reprรฉsentation du concept d’ECD
2.2. Le processus d’extraction des connaissances ร  partir des donnรฉes
2.2.1. Dรฉfinition et comprรฉhension du problรจme
2.2.2. Collรจcte des donnรฉes .
2.2.3. Prรฉ-traitement des donnรฉes
2.2.3.1. Sรฉlection des donnรฉes
2.2.3.2. Nettoyage et enrichissement des donnรฉes .
2.2.4. Fouille de donnรฉes (data mining)
2.2.4.1. Quelques principales tรขches du data mining
A). La classification
B). La prรฉdiction
2.2.4.2. Les mรฉthodes de la fouille de donnรฉes
A). Les arbres de dรฉcision
2.2.5. La construction d’un arbre de dรฉcision et gรฉnรฉration des rรจgles
2.2.6. Exploitation des rรจgles d’induction
3. Conclusion
Chapitre 5. CARTOCEL – Outil support ร  BKMDM
1. Introduction
2. Fonctionnalitรฉs de l’outil CARTOCEL
2.1. Fonctionnalitรฉs relatives ร  la dรฉfinition de la carte booleรจnne
2.1.1. Reprรฉsentation graphique
2.1.2. Reprรฉsentation booleรจnne
2.2. Fonctionnalitรฉs relatives ร  la fouille de donnรฉes
2.2.1. Traitement des donnรฉes
2.2.2. Exploitation des donnรฉes
2.3. Environnement et outils de dรฉveloppement
2.3.1. Packages utilisรฉs
3. CARTOCEL: fonctionnalitรฉs et interfaces
3.1. Fonctionnalitรฉs en rapport avec la carte booleรจnne des connaissances
3.2. Fonctionnalitรฉs relevant de l’exploitation des rรจgles
4. De la cartographie booleรจnne des connaissances vers XML
4.1. Le codage des noeuds
5. La reprรฉsentation semi-formel dans l’outil CARTOCEL
5.1. Le codage des noeuds
6. Conclusion
TROISIEME PARTIE APPLICATION SEMEP Service Epidรฉmiologique et de MEdecine Prรฉventive
Chapitre 6. Expรฉrimentations et Rรฉsultats
1. Contexte de l’expรฉrimentation
1.1 Introduction (Service Epidรฉmiologique et de MEdecine Prรฉventive)
1.1.1 Besoin de capitalisation des connaissances
1.2 Dรฉroulement de l’expรฉrience
1.2.1 Organisation du projet
1.3. Conclusion
2. PHASE I: La cartographie boolรฉenne des connaissances
2.1 Introduction
2.2 Rรฉalisation de la cartographie des connaissances du SEMEP
2.2.1 Elaboration de la cartographie des compรฉtences stratรฉgiques
2.2.2 Elaboration de la cartographie des savoir-faire mรฉtiers
2.2.2.1 Repรฉrage des connaissances
2.2.2.2 La construction de la reprรฉsentation physique de la carte
2.2.2.3 Analyse des critรจres de criticitรฉ
A) Elaboration des critรจres de criticitรฉ
B) La mise en oeuvre de l’รฉvaluation de la criticitรฉ
C) Analyse des donnรฉes
2.2.2.4 Analyse complรฉmentaire
2.3 La modรฉlisation booleรจnne de la carte des connaissances du SEMEP
2.3.1 Reprรฉsentation booleรจnne de la carte des connaissances du SEMEP
2.4 Conclusion: Retour d’expรฉrience
3. PHASE II: La cartographie boolรฉenne guidee par data mining
3.1 Introduction
3.2 Test de personnalitรฉ (Test de BECK)
3.3 Prรฉ-traitement des donnรฉes
3.4 Fouille de donnรฉes par arbre de dรฉcision
3.4.1 Construction d’un arbre de dรฉcision
3.4.2 Exploitation des rรจgles
3.5 Conclusion: Rรฉsultats et discusions
CONCLUSION Gร‰Nร‰RALE
1. Conclusion: rรฉsultats et discusions
2. Perspectives
BIBLIOGRAPHIE
Bibliographies
ANNEXES
ANNEXE A : Machine cellulaire CASI
ANNEXE B : Test de personnalitรฉ (Test de BECK)
ANNEXE C : Grilles dโ€™รฉvaluation de criticitรฉ (exemple)

La visualisation des connaissancesTรฉlรฉcharger le rapport complet

Tรฉlรฉcharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiรฉe. Les champs obligatoires sont indiquรฉs avec *