Search & Find
DiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporamaDiaporama
Accueil
ICube   >   Agenda : Thèse : Exploration de données séquentielles à l’aide de l’analyse relationnelle de concepts

Thèse : Exploration de données séquentielles à l’aide de l’analyse relationnelle de concepts

Le 13 octobre 2017
À 15h00
Illkirch - Pôle API - A302

Soutenance de thèse : Cristina NICA

Équipe : SDC

Titre : Exploration de données séquentielles à l’aide de l’analyse relationnelle de concepts

Résumé : Aujourd’hui, de grandes quantités de données séquentielles sont générées et stockées afin d’être exploitées pour découvrir de précieuses informations. De nombreuses méthodes d’extraction de motifs séquentiels ont été proposées pour découvrir des motifs potentiellement utiles et compréhensibles qui décrivent les données séquentielles analysées. Ces travaux se sont concentrés sur l’énumération efficace de tous les motifs ou de formes plus concises, comme les motifs partiellement ordonnés fermés (cpo-motifs), ce qui rend leur évaluation laborieuse pour les experts du domaine, car leur nombre peut être assez important. Face à ce problème, nous proposons une approche nouvelle, qui consiste à extraire directement des cpo-motifs multi-niveaux qui sont implicitement organisés dans une hiérarchie. À cette fin, nous proposons une méthode originale et autonome dans la cadre de l’Analyse Relationnelle de Concepts (ARC), appelée RCA-SEQ, qui exploite la nature relationnelle des données séquentielles ainsi que la structure et les propriétés des treillis issus de l’ARC. RCA-SEQ comporte cinq étapes : (1) le prétraitement des données brutes ; (2) l'exploration par l’ARC des données prétraitées ; (3) l'extraction automatisée d'une hiérarchie de cpo-motifs multi-niveaux par navigation des treillis issus de l’ARC ; (4) la sélection de cpo-motifs multi-niveaux pertinents en fonction de diverses mesures d'intérêt ; (5) l'évaluation des motifs par les experts du domaine. En outre, nous montrons que l'approche RCA-SEQ peut être facilement adaptée pour extraire des motifs plus informatifs (des cpo-motifs pondérés), pour intégrer une taxonomie définie par l'utilisateur ou pour explorer des données séquentielles hétérogènes. L’approche a été testée sur deux jeux de données décrivant des hydrosystèmes.

Cette thèse a été dirigée par Mme LE BER Florence, Ingénieure en chef des Ponts, des Eaux et des Forêts, HDR, ENGEES, Université de Strasbourg, ICube.

Elle se déroulera devant un jury composé M. PONCELET Pascal Professeur (Université de Montpellier, LIRMM), M. SOLDANO Henry Maître de Conférences HDR (Université Paris-Nord, LIPN), M. FERRÉ Sébastien Maître de Conférences HDR (Université Rennes 1, IRISA), M. BEISEL Jean-Nicolas Professeur (ENGEES, Université de Strasbourg) et Mme BRAUD Agnès Maître de Conférences (Université de Strasbourg, ICube).

La soutenance , effectuée en anglais, aura lieu le vendredi 13 octobre 2017 à 15h00 dans l'amphithéâtre A302 situé dans le bâtiment A de Télécom Physique Strasbourg.

À la une

Un grand bravo à Inès Jorge qui a remporté le premier prix du jury lors de la finale régionale en...

Flux RSS

Flux RSS