Le document traite des techniques de data mining et de leur rôle dans le processus d'extraction de connaissances à partir de données. Il présente les étapes du processus d'ECD, définit les tâches et techniques associées, et décrit plusieurs algorithmes populaires tels que k-means et k-medoids. Les domaines d'application sont variés, allant des entreprises commerciales au secteur médical, tout en soulignant les défis liés à la qualité des données et au choix des algorithmes.

1. Module : Analyse de données
<< Data mining >>
KENOUCHE TAKFARINAS
Année 2012 - 2013

2. Les technologies de data mining permettent, grâce aux processus d’intelligence
artificielle, de traiter des masses gigantesques de données afin d’en extraire
l’information cruciale (connaissance), celle qui sera déterminante pour une prise de
décision efficace.
Introduction
Le data mining est apparu au début des années 1990

3. Le processus ECD
Le data mining est une étape d’une chaine de traitement plus complète, le processus
d’extraction de connaissances à partir de données (ECD).
Qu’est-ce que l’ECD ?
Quels sont ses étapes ?

4. 1.Définition
L’extraction de Connaissances à partir de Données (ECD) désigne tout le cycle de
découverte d'informations ou de connaissances dans les bases de données. Il regroupe
donc toutes les opérations à effectuer pour extraire de l'information de ces données.

5. 2. Etapes du processus ECD
L’ECD est un processus complexe qui se déroule suivant une suite d’opérations.
Peut être vu comme un processus en sept étapes :
1. Positionnement du problème ;
2. Collecte et sélection des données ;
3. Nettoyage des données ;
4. Actions sur les attributs ;
5. Construction du modèle ;
6. Evaluation des résultats ;
7. Intégration de la connaissance.

6. 2. Etapes du processus ECD

7. Data mining

8. Définition
Le data mining (ou fouille de données) est l’une des étapes du processus ECD.
Cette étape regroupe l’ensemble des méthodes et techniques destinées à l’exploration
des bases de données de façon automatique, ou semi-automatique, pour détecter :
-des règles,
-des associations,
-des tendances nouvelles et imprévisibles,
-des structures particulières restituant l’essentiel de l’information utile.
Il s’agit d’un processus de sélection, exploration, modification et modélisation de
grandes bases de données afin de découvrir des relations entre les données.

9. Principe
Le principe derrière le data mining est de faire sortir à partir de données brutes des
inférences (déductions) que l'expérimentateur peut ne pas soupçonner, et dont il
aura à valider la pertinence à l’aide des techniques et des algorithmes.

10. Tâches de data mining
Le data mining est un ensemble de techniques complémentaires dédiées à différentes
tâches. Selon, ces technique sont partagées, principalement, entre la classification
automatique et la recherche d’associations.

11. La classification automatique supervisée ( clustering):
examiner les caractéristiques d’un objet nouvellement présenté afin de l’affecter à
une classe d’un ensemble prédéfini.
Le modèle généré permet de prédire ou estimer la valeur manquante ou erronée en
utilisant le modèle de classification comme référence.
La classification automatique non supervisée:
vise à identifier des ensembles d’éléments qui partagent certaines similarités. Elle
ne se base pas sur des classes prédéfinies.

12. Les règles d’association :
C’est une tâche qui permet de découvrir les rapports de lien qui peuvent exister dans
une base de données. Ces liens sont généralement exprimés sous la forme ‘‘ A è B ’’
qui signifie que la présence de A implique la présence de B (avec une certaine
probabilité).
Exemple : Un étudiant qui réussit en mathématiques réussira en algorithmique dans
80% des cas.

13. Techniques de data mining
 Les techniques de data mining diffèrent en fonction des besoins de l’utilisateur,
(selon les taches à effectuer).
 Chacune des tâches regroupe une multitude d’algorithmes pour construire le
modèle auquel elle est associée.
 Selon, les dix algorithmes les plus populaires dans le domaine de data mining
sont, dans l’ordre: C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, k-NN,
Naive Bayes et CART.

14.  Ces algorithmes sont classifiés, selon la tâche associée, comme suit :
- Algorithmes de construction des arbres de décision : CART, C4.5 ;
- Algorithmes de classification non supervisée : k-Means, EM ;
- Algorithmes de classification supervisée : k-NN, SVM, Naive Bayes et AdaBoost ;
- Algorithme d’extraction des règles d’association : Apriori ;
- Algorithme de classification automatique des pages Web : PageRank.

15. Description de quelques algorithme

16.  L’algorithme k-Means a été introduit par J.MacQuenn et mis en oeuvre sous sa
forme actuelle par E.Forgy.
 Il est le plus utilisé dans les applications scientifiques et industrielles car il est le
plus simple et le plus rapide.
• chaque classe est représentée par la moyenne (centroide).
• k-Means est un algorithme itératif.
• Il commence avec un ensemble de k individus de référence choisis de façon
aléatoire.
• Les individus de données sont ainsi partitionnés dans k classes ; un individu
appartient à une classe si le centre de cette classe est le plus proche de lui (en
terme de distance).
• La mise à jour des centroides et l’affectation des individus de données aux classes
sont réalisées pendant les itérations successives.
Algorithmes de classification non supervisée L’algorithme k-Means

17. La Figure 1 montre un exemple de déroulement de l’algorithme k-Means
sur un nuage d’objets bidimensionnels, avec k = 3.

18.  Comme avantages de cet algorithme, on cite:
• Il s’adapte bien pour des populations de tailles importantes ;
• Il est relativement efficace ;
• Il est indépendant de l’ordre d’arrivée des données.
 Parmi les inconvénients de cet algorithme, on cite :
• Il est applicable seulement dans le cas où la moyenne des objets est définie ;
• Le nombre de classes k, doit être spécifié à priori ;
• Il est sensible aux objets isolés (bruits) ;
• Il n’est pas adapté pour découvrir de tailles et formes différentes.

19. 1.2. L’algorithme k-Medoids
Il est introduit par Kaufman et Rousseew. L’esquisse de l’algorithme k-Medoids
ressemble à celle de k-Means sauf que, contrairement à l’algorithme k-Means où
la classe est représentée par une valeur moyenne, le centroide, dans l’algorithme
k-Medoids, une classe est représentée par un de ses objets prédominants, le
médoide.
L’algorithme k-Medoids utilise une fonction objectif qui définit la distance
moyenne entre un objet et le médoide.
La Figure 2 est une illustration du déroulement de l’algorithme k-Medoids sur un
nuage d’objets bidimensionnels avec k = 3.

20. La Figure 2 est une illustration du déroulement de l’algorithme k-Medoids sur
un nuage d’objets bidimensionnels avec k = 3.
 Comme avantages de cet algorithme par rapport à k-Means, on cite :
• Il s’adapte à n'importe quel type de données ;
• Il est insensible aux objets isolés.

21. 1. Les arbres de décision
permet de classifier une population d’individus selon les valeurs de leurs attributs.
C’est une représentation graphique de la procédure de classification où :
- Une feuille indique une classe ;
- Un noeud spécifie un test que doit subir un certain attribut ;
- Chaque branche correspond à une valeur possible de l’attribut
Pour classifier un nouvel objet, on suit le chemin partant de la racine (noeud
initial) à une feuille en effectuant les différents tests d’attributs à chaque noeud.

23. Domaines d’application
Ouverte à tout domaine susceptible de utiliser une masse importante de données.
- Sociétés commerciales : L’étude de tendance
- Grandes surfaces : L’analyse du ticket de la supérette
- Secteur bancaire : Etude des caractéristiques des clients permet de discriminer
les clients à risque élevé
- Secteur d’assurances : Dans le secteur d’assurances, le data mining est utilisé
pour la détection de fraudes et leur anticipation ;
- Secteur médical :Les études sur les associations de médicament permettent,
entre autres, de révéler les anomalies de prescription.
- Secteur de l’éducation : Le data mining est employé dans les établissements
scolaires pour améliorer la qualité d’enseignement. Par exemple, répartir les élèves
ayant une grande capacité d’assimilation dans la même classe.

24. Difficultés de data mining
Qualité des données :
60% à 70% du temps de travail dans un projet de data mining est consacré au
prétraitement des données (sélection, correction, transcodage, chargement…), qui
influe sur le temps global du projet.
Choix des algorithmes et de l'itinéraire du travail :
Des algorithmes doivent être choisis en fonction du problème traité. Il faut que
l'expert en datamining soit aussi un animateur et possède des qualités que l'on trouve
rarement ensemble chez la même personne : rigueur dans la méthode, ouverture et
chaleur humaine dans la communication.
Evaluation des résultats :
Il est important d’évaluer le model. Ceci permettra d’être certain qu’il permet
d’atteindre les objectifs fixés.
A la fin, une décision sur l’utilisation des résultats fournis par les outils de data
mining devrait être prise. (Car un facteur important peut ne pas etre pris en
considération)

25. Conclusion
Les techniques de data mining ne font pas état des hypothèses fixées à priori,
comme le font les statistiques traditionnelles, mais cherchent à ‘‘établir’’ un modèle
par l’exploration des bases de données. Le data mining fait passer de l’analyse
confirmatoire à l’analyse exploratoire.
Le choix d’un algorithme approprié dépend fortement du contexte de son
application, la nature des données et les ressources disponibles. Une analyse
attentive des données aide à bien choisir le meilleur algorithme à partir du moment
qu’il n’existe pas un algorithme qui peut répondre à toutes les demandes.