L’algorithme de K-moyen

Table des matières

Chapitre 1 : Introduction
Chapitre 2 : Les méthodes de classification 
2.1 Introduction
2.2 K-moyen (K-mean)
2.2.1 L’algorithme de K-moyen
2.2.2 Avantages du K-moyen
2.3 K plus proches voisins (KNN)
2.3.1 L’algorithme des k plus proches voisins
2.3.2 Avantages de la méthode des k plus proches voisins
2.3.3 Inconvénients de la méthode des k plus proches voisins
2.4 Les machines à support de vecteurs (SVM)
2.4.1 Le principe des SVM
2.4.2 Avantages des SVM
2.4.3 Inconvénients des SVM
2.5 Les réseaux de neurones
2.5.1 Architecture
2.5.2 L’apprentissage
2.5.2.1 L’ apprentissage supervisé
2.5.2.2 L’ apprentissage non supervisé
2.5.3 Fonction d’activation
2.5.4 Topologie des réseaux de neurones
2.5.4.1 Propagation vers l’avant de l’information (Feed-forward)
2.5.4.2 Récurent (Feed-back connections)
2.5.5 Les réseaux de Perceptron
2.5.6 Les réseaux Hopfield
2.5.7 Les réseaux du perceptron multicouche (multilayer perceptron MLP)
2.5.8 Avantages des réseaux de neurones
2.5.9 Inconvénients des réseaux de neurones
2.6 Les cartes auto organisatrices de Kohonen (SOM)
2.6.1 L’architecture des cartes auto organisatrices de Kohonen
2.6.2 L’algorithme des cartes auto-organisatrices de Kohonen
2.6.3 Avantages des cartes auto-organisatrices de Kohonen
2.6.4 Inconvénients des cartes auto-organisatrices de Kohonen
2.7 Le réseau à architecture évolutive ART
2.7.1 Architecture
2.7.2 Apprentissage
2.7.2.1 Algorithme
2.7.3 Avantages des ARTs
2.7.4 Inconvénients des ARTs
2.8 Les algorithmes génétiques
2.8.1 Terminologie
2.8.2 Principes des algorithmes génétiques
2.8.3 Pseudo code d’un Algorithme génétique
2.8.4 Avantages des algorithmes génétiques
2.8.5 Inconvénients des algorithmes génétiques
2.9 Apprentissage profond (Oeep learning)
2.9.1 Apprentissage automatique
2.9.3 La catégorisation de l’apprentissage profond
2.9.3.1 Les réseaux profonds pour l’apprentissage non supervisé
2.9.3.2 Les réseaux profonds pour l’apprentissage supervisé
2.9.3.3 Les réseaux profonds hybrides
2.9.4 Avantages des réseaux profonds
2.9.5 Inconvénients des réseaux profonds
2.10 Conclusion
Chapitre 3 : Modèle vectoriel 
3.1 Introduction
3.2 Espace de documents
3.3 Coefficient de similarité
3.4 TF-lOF
3.4.1 Fréquence du terme
3.4.2 Fréquence inverse de document
3.5 Avantages
3.6 Limitation
3.7 Conclusion
Chapitre 4 : Les règles d’association 
4.1 Introduction
4.2. Définitions
4.2.1. Transaction et ensemble d’items
4.2.2. Itemset, Itemset fréquent et support
4.2.3 Règle d’association, support et confiance
4.3. La recherche des règles d’association
4.4. L’algorithme Apriori
4.4.1 Le principe de l’algorithme Apriori
4.4.2 L’ algorithme Apriori
4.4.3 Générer les règles d’association à partir d’Itemsets fréquents
4.5 Avantages
4.6 Inconvénients
4.7 Conclusion
Chapitre 5 : Méthodologie 
5.1 Introduction
5.2 Architecture de notre système
5.3 La création d’index inversé
5.3 .1 L’ extraction de texte brut
5.3.2 Segmentation
5.3.3 Extraction du vocabulaire
5.3.4 Nettoyage du vocabulaire
5.3.5 L’index inversé
5.4. Classification
5.4.1 La matrice TF-IDF
5.4.2 Choix du classifieur et le processus de classification
5.4.3. Extraction des règles d’association
5.4.3.1 La fragmentation verticale
5.4.3.2 L’extraction des règles d’ association
5.5. Conclusion
Chapitre 6 : Expérimentations et résultats
6.1 Architecture du système
6.2 Implémentation
6.2.1 Langages choisis pour l’implémentation
6.2.2 Les interfaces
6.3 Expérimentations: «La civilisation des Arabes»
6.3.1 Partie 1
6.3.2 Partie 2
6.3.3 Partie 3
6.3.4 Partie 4
Chapitre 7 : Conclusion