1 / 22

www.pepite.be info@pepite.be

www.pepite.be info@pepite.be. « Data Mining » En bref…. Techniques informatiques d’exploration automatique de données Extraction de connaissances à partir de données assistée par ordinateur Les piliers: V isualisation d’information La s tatistique L’a pprentissage automatique:

tarannum
Download Presentation

www.pepite.be info@pepite.be

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. www.pepite.be info@pepite.be ©PEPITe S.A.

  2. « Data Mining »En bref… • Techniques informatiques d’exploration automatique de données • Extraction de connaissances à partir de données assistée par ordinateur • Les piliers: • Visualisation d’information • La statistique • L’apprentissage automatique: • Réseaux de neurones • Arbres d’induction (décision, régression,..) • L’intelligence artificielle ©PEPITe S.A.

  3. CRISP-DM ©PEPITe S.A.

  4. Statistique • Synthétiser l’information (moyenne, écart-type, etc.) • Sélection MANUELLE des modèles • Tests d’hypothèses pour valider les choix des modèles • Mieux adapté pour des petites bases de données • Méthodes plus complexes demandant une grande expertise pour une utilisation efficace ©PEPITe S.A.

  5. Visualisation ©PEPITe S.A.

  6. Apprentissage AutomatiqueExtraction de la Connaissance • Construction de modèles à partir d’observations (ou de simulations) d’un système • Dans le but de: • Expliquer le comportement du système • Prédire le comportement du système • Pas d’hypothèses sur les modèles de départ • MAIS, nécessité d’un minimum d’observations ©PEPITe S.A.

  7. IA : Systèmes ExpertsModélisation de la Connaissance • La machine imite le comportement de l’être humain • Capacité d’apprendre et de raisonner • Capacité de proposer des solutions déduites de prédicats • Introduction préable des règles (IF…THEN…) et de faits par l’expert • Outils d’inférence : PROLOG, CLIPS, JESS, LISP, OPENCYC,… • Gestion d’alarmes, jeux,… ©PEPITe S.A.

  8. Apprentissage Automatique Supervisé • Entrées Xi : données du débiteur • Sortie Y : solvabilité • Construction du modèle Y = F(X1,…XN) • Diviser la BD en un ensemble d’apprentissage et un ensemble de test • Apprendre avec EA • Valider quantitativement le modèle avec ET • Valider qualitativement le modèle avec expert • Exploitation du modèle ©PEPITe S.A.

  9. SuperviséClassement & Régression • Sortie Y continue : régression • Taux de rebuts • Sortie Y discrète : classement • Taux de rebuts acceptable/non acceptable ©PEPITe S.A.

  10. Apprentissage AutomatiqueNon-Supervisé • Apprendre les relations entre variables • Pas de distinction entre variables d’entrées et de sorties • Exemple : • Retrouver des journées de productions similaires • Retrouver des corrélations entre attributs (mesures similaires) • Méthodes : • Dendrogramme, K-MEANS ©PEPITe S.A.

  11. SuperviséArbres de Décision • Apprentissage automatique supervisé pour le classement • Construction • A chaque noeud recherche de la meilleure entrée et de la bonne question • Séparation du noeud en deux fils en fonction de la réponse à la question • Arrêt du développement • Utilisation • Propagation d’un nouvel objet dans l’arbre, le noeud terminal indique la classe de l’objet ©PEPITe S.A.

  12. Y N Y N Arbre de DécisionConstruction T° > 54°C ©PEPITe S.A.

  13. Atouts des Arbres • Interprétable : • Lecture facile des règles • Plus facile pour la validation qualitative • Sélection des paramètres relevants • Construction très rapide • Différentes variantes : • Arbres de régression (sortie continue) • Arbres flous (sortie continue et discrète) • Ensemble d’arbres ©PEPITe S.A.

  14. Problématique des Données • Qualité: • erreurs d’encodage • bruits • valeurs manquantes • Quantité: • taille minimum requise de la BD imprévisible (dépend de la complexité du problème) ©PEPITe S.A.

  15. Types de Données • Images • Sons • Données symboliques (grand, petit, chaud, froid,…) • Données numériques • Données temporelles ©PEPITe S.A.

  16. Méthodes • Régression multivariée • Arbres (régression, classif., flous,…) • Réseaux de neurones • Réseaux baysiens • Analyse Composantes Principales (ACP – PCA) • Machines à support vectoriel • … ©PEPITe S.A.

  17. La Meilleure Méthode ? • Toutes et aucune • Dépend du type de problème • Dépend des besoins • Précision : réseau de neurones • Interprétabilité : arbres de décison • Nécessité de disposer d’une boîte à outils robuste, flexible et adaptable ©PEPITe S.A.

  18. Manufacturing Industry 1 ERP: planning, scheduling, supply and logistics 2 MES: plant-wide optimization &management 3 Automation, advanced process control, abnormality management 4 Basic control, rectification, statistical analysis 5 Measurement and sensing, on-line monitoring ©PEPITe S.A.

  19. DATA EXPERT PROCESS KNOWLEDGE ©PEPITe S.A.

  20. Applications en Économie • eCRM analytique : analyse du comportement des clients, des interactions & optimisation de métriques de satisfaction • Détection de fraude • Stratégies de trading • Optimisation de portfolio • Bâle II : mesure et analyse du risque dans le gestion des fonds propres des banques ©PEPITe S.A.

  21. Links2go • http://www.cwu.edu/~borisk/finance • http://www.aaai.org • http://www.aaai.org/AITopics • http://www.kdnuggets.com • http://www.crisp-dm.org • http://www.montefiore.ulg.ac.be/services/stochastic ©PEPITe S.A.

  22. Slides et logiciel disponibles sur www.pepite.be • Login : EAA / Mot de passe AA_1000 ©PEPITe S.A.

More Related