Options d'inscription

Les techniques d’analyse des données ont connu un essor important surtout avec le développement de l’informatique et big data. Le volume important des données nécessite comme un prétraitement:la réduction des données, ce qui est l’objectif principal de l’analyse des données en premier lieu. Pour résoudre le problème de la dimensionalité, les méthodes multidimensionnelles telles que l’Analyse en Composantes Principales (ACP) et l’Analyse Factorielle des Correspondances (AFC)seront exploitées et 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 classification plus particulièrement l’algorithme de la classification hiérarchique qui permet une représentation arborescente appelée dendrogrammeet les méthodes de 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 fermeture peuvent être utilisées dans le domaine de la classification.La prévision dans le domaine d’économie et le domaine d’épidémiologie nécessitent 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’efficacité des modèles proposés, un coefficient de corrélation doit être mesuré.Cet ouvrage est organisé autour de cinq chapitres de la 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’applications en 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 Vraisemblance et les méthodes morphologiquesChapitre4joue un rôle important dans la prévision en se basant sur des méthodes statistiques comme la méthode des moindres carrés.Chapitre5:introduit les séries chronologiques qui entre dans le cadre de la prédiction en tenant compte de la composante temporelle.

nabil_inf
nabil_inf
nabil_inf
nabil_inf