DATA MINING VISUEL ET
INTERACTIF
Représenté par: Encadré par:
BELAID Bilel Mme HAMDAD
BENSOULA Abd Elkader
DAOUD ZAKARIA
D...
PLAN
 Introduction
 DATA Mining
 Définition
 Historique
 Taches
 Algorithmes
 DATA Mining Visuel
 Définition
 Apr...
INTRODUCTION
Le Data Mining est un domaine pluridisciplinaire permettant, à partir d’une très
importante quantité de donné...
DATA MINING
Définition
Data Mining : forage de données
Data Mining: ensemble des techniques et méthodes destinées à
l’expl...
DATA MINING
Historique
L’expression « Data Mining » serait apparue pour la première fois dans
les années 60.
L’expressio...
DATA MINING
Classification:
La classification permet de créer des classes d’individus et de prédire
si une instance de do...
DataMining
Apprentissage
Supervisé
Les arbres de
décision
Les réseaux de
neurones
Apprentissage
non supervisé
Clustering R...
DATA MINING VISUEL
Le Data mining visuel est apparu récemment avec
le flot sans cesse croissant des données.
L'objectif ...
L’APPROCHE DE DATA MINING VISUEL :
 Il va s’agir d’une part de représenter les données
sous la forme de signes visuels.
...
MÉTHODES DE DATA MINING VISUEL :
 On peut définir d’une manière générale des
méthodes de fouille visuelle de données de l...
MÉTHODES DE DATA MINING VISUEL :
4. Algorithme de « calcul » de la
visualisation :consiste simplement à transcrire les
val...
TECHNIQUES DE VISUALISATION
 Il existe une multitude de techniques de visualisation qui peuvent être
utilisées pour visua...
1-AFFICHAGE GÉOMÉTRIQUE TRANSFORMÉ
 Une classe de transformation visuelle.
 Transformations intéressantes des ensembles ...
COORDONNÉES PARALLÈLES
 Projection des données vers un espace de 2 dimensions.
(x1, x2, …, xp) -------> (1, x1), (2, x2),...
COORDONNÉES PARALLÈLES
PK cette méthode?
 Il devient aisé de repérer les corrélations possibles entre les
différents évèn...
COORDONNÉES PARALLÈLES
16
2-ICONIC DISPLAYS(AFFICHAGE EMBLÉMATIQUES)
 Consiste à remplacer le simple point d'un diagramme de
dispersion par un dess...
DATA MINING INTERACTIF
Problématique:
Existe-t-il une théorie universellement applicable
pour répondre aux besoins de tous...
DÉFINITION DU DATA MINING INTERACTIF
 L’ensemble des modèles interactifs qui sont
nécessaires à l’exploration des données...
OBJECTIF DU DATA MINING INTERACTIF :
 Intégrer la connaissance des utilisateurs dans le
processus du Data Mining.
 Fourn...
PROCESSUS DU DATA MINING INTERACTIF :
21
DOMAINES D’APPLICATION
 La visualisation interactive des données a pénétrée
dans de nombreux secteurs.
 Web.
 Santé.
 ...
DOMAINES D’APPLICATION
Le web
 les différents outils de DAMIV ont pour principale
mission suivre l’évolution de web, ses ...
DOMAINES D’APPLICATION
Actualités
 Suivre l’actualité dans n’importe quel pays.
 Prévoir de futur événements.
24
DOMAINES D’APPLICATION
 Economie
 Données disponibles sont devenues une mine
d’or qu’il s’agit d’exploiter.
 L’introduc...
DOMAINES D’APPLICATION
Sécurité
 Les données sur la criminalité dans une ville,
moulinées dans un logiciel adapté, donner...
CONCLUSION
La mise en œuvre du data mining visuel et
interactif est une nouvelle tendance dans le domaine de
l'exploratio...
MERCI POUR VOTRE ATTENTION
28
Prochain SlideShare
Chargement dans…5
×

Data Mining Visuelle & Interactif

2 037 vues

Publié le

Une présentation de data mining visuel et interactif et de ses méthodes.

Publié dans : Données & analyses
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
2 037
Sur SlideShare
0
Issues des intégrations
0
Intégrations
11
Actions
Partages
0
Téléchargements
171
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Data Mining Visuelle & Interactif

  1. 1. DATA MINING VISUEL ET INTERACTIF Représenté par: Encadré par: BELAID Bilel Mme HAMDAD BENSOULA Abd Elkader DAOUD ZAKARIA DEHIMI Mustapha El Amine HADDADI ZAKARIA 1
  2. 2. PLAN  Introduction  DATA Mining  Définition  Historique  Taches  Algorithmes  DATA Mining Visuel  Définition  Aproche  Méthodes  DATA Mining Interactif  Définition  Objectifs  Processus  Domaines d’application  Conclusion 2
  3. 3. INTRODUCTION Le Data Mining est un domaine pluridisciplinaire permettant, à partir d’une très importante quantité de données brutes, d’en extraire des informations cachées, pertinentes et inconnues auparavant en vue d’une utilisation industrielle ou opérationnelle de ce savoir. Le Data Mining est une découverte de modèles intéressants à partir d’un ensemble de données de grande taille dans le but est d'extraire des données disponibles au sein de toute entreprise les informations exploitables. 3
  4. 4. DATA MINING Définition Data Mining : forage de données Data Mining: ensemble des techniques et méthodes destinées à l’exploration et l’analyse de grandes bases de données informatiques en vue de détecter dans ces données des règles, des Associations, des structures pour en extraire l’essentiel de l’information utile dans l’objectif est l’aide à la décision. 4
  5. 5. DATA MINING Historique L’expression « Data Mining » serait apparue pour la première fois dans les années 60. L’expression « Data Mining » réapparaît dans les années 80. Le concept apparaît en 1989 sous un premier nom de KDD (Knowledge Discovery in Databases). En 1991, le concept du Data Mining ou «fouille des données » apparaisse pour la première fois aux États-Unis comme une nouvelle discipline à l’interface de la statistique et des technologies de l’information 5
  6. 6. DATA MINING Classification: La classification permet de créer des classes d’individus et de prédire si une instance de donnée est membre d’un groupe ou d’une classe prédéfinie. Règles d’association: Les règles associatives sont des règles qui sont extraites d’une base de données transactionnelles et qui décrivent des associations entre certains éléments. Le Clustering Le Clustering est une méthode statistique d’analyse de données qui a pour but de regrouper un ensemble de données en différents groupes homogènes. Chaque sous-ensemble regroupe des éléments ayant des caractéristiques communes qui correspondent à des critères de proximité. Taches du DM 6
  7. 7. DataMining Apprentissage Supervisé Les arbres de décision Les réseaux de neurones Apprentissage non supervisé Clustering Règles Associatives Sequence Mining Algorithmes de DATA Mining 7
  8. 8. DATA MINING VISUEL Le Data mining visuel est apparu récemment avec le flot sans cesse croissant des données. L'objectif est de tirer avantage de la combinaison des techniques usuelles du Data mining avec les méthodes de visualisation de l'information. 8
  9. 9. L’APPROCHE DE DATA MINING VISUEL :  Il va s’agir d’une part de représenter les données sous la forme de signes visuels.  Et d’autre part de permettre une interaction, souvent très intuitive Cette approche vise donc à permettre une analyse rapide des données car utilisant les capacités d’interprétation visuelle de l’esprit humain 9
  10. 10. MÉTHODES DE DATA MINING VISUEL :  On peut définir d’une manière générale des méthodes de fouille visuelle de données de la façon suivante : 1. Recueil des données brutes, 2. Normalisation des données, 3. Codage des données sous la forme de signes visuels :Il s’agit de définir comment les données seront représentées visuellement à partir des valeurs prises par les attributs 10
  11. 11. MÉTHODES DE DATA MINING VISUEL : 4. Algorithme de « calcul » de la visualisation :consiste simplement à transcrire les valeurs des attributs en signes visuels 5. Rendu graphique : des méthodes de représentation :  histogramme,  plot 2D ou 3D,  box plot,  représentation multidimensionnelle. 6. Interaction entre la visualisation et l’expert du domaine : explorer les données, vérifier des hypothèses 11
  12. 12. TECHNIQUES DE VISUALISATION  Il existe une multitude de techniques de visualisation qui peuvent être utilisées pour visualiser les données.  Les techniques 2D/3D, les histogrammes, les chartes …ex.  Apparition de nouvelles techniques plus sophistiquées et qui donnent des représentations intuitives des données. 12
  13. 13. 1-AFFICHAGE GÉOMÉTRIQUE TRANSFORMÉ  Une classe de transformation visuelle.  Transformations intéressantes des ensembles de données multidimensionnelles.  Mappage d’objets a un ensemble de points. 13
  14. 14. COORDONNÉES PARALLÈLES  Projection des données vers un espace de 2 dimensions. (x1, x2, …, xp) -------> (1, x1), (2, x2), …, (P, xp).  Un espace de dimension n est représenté par n axes parallèles sur un plan.  Méthode initialement utilisée pour la détection des collisions d'avions lors du contrôle du trafic aérien.  La recherche d'information lorsque celle-ci est trop volumineuse. 14
  15. 15. COORDONNÉES PARALLÈLES PK cette méthode?  Il devient aisé de repérer les corrélations possibles entre les différents évènements (groupes de variables).  Combiné avec l’AD pour réduire les problèmes de :  Transparence.  Interactivité.  Simplification de la classification (data clustering). 15
  16. 16. COORDONNÉES PARALLÈLES 16
  17. 17. 2-ICONIC DISPLAYS(AFFICHAGE EMBLÉMATIQUES)  Consiste à remplacer le simple point d'un diagramme de dispersion par un dessin relativement complexe.  Les variations des icones et des couleurs permettent de coder les variables.  Peut être très intuitif (bonne courbe d'apprentissage). 17
  18. 18. DATA MINING INTERACTIF Problématique: Existe-t-il une théorie universellement applicable pour répondre aux besoins de tous les utilisateurs ? 18
  19. 19. DÉFINITION DU DATA MINING INTERACTIF  L’ensemble des modèles interactifs qui sont nécessaires à l’exploration des données afin de permettre aux utilisateurs de définir les objectifs et de s’adapter à des situations d'urgence imprévues. Tout en se concentrant sur les communications adaptatives et efficaces entre les utilisateurs et les systèmes du Data Mining. 19
  20. 20. OBJECTIF DU DATA MINING INTERACTIF :  Intégrer la connaissance des utilisateurs dans le processus du Data Mining.  Fournir aux utilisateurs des informations suffisantes sur le statut et les activités actuelles et historiques. 20
  21. 21. PROCESSUS DU DATA MINING INTERACTIF : 21
  22. 22. DOMAINES D’APPLICATION  La visualisation interactive des données a pénétrée dans de nombreux secteurs.  Web.  Santé.  Education.  Economie.  …ex.  Le but est de :  Offrir une meilleur représentation de l’information et donc une meilleur compréhension de phénomène étudié .  La prévision. 22
  23. 23. DOMAINES D’APPLICATION Le web  les différents outils de DAMIV ont pour principale mission suivre l’évolution de web, ses différentes technologie ainsi que le comportement des internautes. 23
  24. 24. DOMAINES D’APPLICATION Actualités  Suivre l’actualité dans n’importe quel pays.  Prévoir de futur événements. 24
  25. 25. DOMAINES D’APPLICATION  Economie  Données disponibles sont devenues une mine d’or qu’il s’agit d’exploiter.  L’introduction de DAMIV dans ce domaine a donné lieu à une économie numérique. 25
  26. 26. DOMAINES D’APPLICATION Sécurité  Les données sur la criminalité dans une ville, moulinées dans un logiciel adapté, donneront une bonne idée des lieux où la police doit allouer le plus de ressources. Et même, le circuit idéal pour effectuer des patrouilles policières. 26
  27. 27. CONCLUSION La mise en œuvre du data mining visuel et interactif est une nouvelle tendance dans le domaine de l'exploration de données. Il vise à ce que l'homme soit impliqué dans le processus d'extraction de l'ensemble des données afin d'apporter un résultat efficace. L'interaction nécessite des systèmes autonomes et adaptatifs, des utilisateurs actifs. La performance des interactions dépend de la complexité du domaine, le contrôle, et les approches interactives disponibles. 27
  28. 28. MERCI POUR VOTRE ATTENTION 28

×