| Titre : | Une évaluation des méthodes de présentation des données non image dans l'architecture CNN |
| Auteurs : | Hassene Chaibi, Auteur ; Bendjerad Zoulikha, Auteur ; Bendjerad Samira, Auteur |
| Type de document : | texte imprimé |
| Année de publication : | 2024 |
| Langues: | Français |
| Mots-clés: | Big Data ; Régression linéaire ; Arbres de décision ; Clustering ; CNN |
| Résumé : |
Avec l’évolution technologique et l’explosion des données massives (big data), les méthodes traditionnelles d’analyse des données, telles que la régression linéaire, les arbres de décision et les méthodes de clustering, sont confrontées à des défis sans précédent. Ces méthodes, bien qu’efficaces dans de nombreux contextes, montrent leurs limites lorsqu’elles doivent traiter des quantités massives de données, en particulier celles qui sont non structurées, complexes, riches en informations et caractérisées par une dimensionnalité élevée. En réponse à ces défis, les réseaux de neurones convolutionnels (CNN), qui ont démontré une efficacité remarquable dans la classification des données image, présentent un potentiel prometteur pour l’analyse des données non-image. Ce mémoire se concentre sur l’évaluation des méthodes de présentation des données non-image dans l’architecture des CNN. En particulier, nous nous intéressons à l’application des CNN aux données génomiques, qui sont des exemples typiques de données de grande dimension et riches en informations. La transformation adéquate de ces données en une forme compatible avec les CNN est essentielle pour tirer parti des capacités de ces modèles. Nous avons mené une série de tests pour évaluer les performances des CNN sur des bases de données génomiques. Nos expériences montrent que, malgré les défis inhérents à la transformation des données non-image en formats adaptés aux CNN, il est possible de réaliser des performances significatives, surpassant parfois celles des méthodes traditionnelles. Nos résultats mettent en lumière les avantages et les limitations de différentes approches de transformation des données, offrant des insights précieux pour les chercheurs et les praticiens dans le domaine. En conclusion, ce mémoire fournit une analyse détaillée des techniques de présentation des données non-image pour les CNN, démontrant leur potentiel pour surmonter les limitations des méthodes traditionnelles d’analyse de données. Nous espérons que notre étude contribuera à une adoption plus large des CNN pour des applications de big data, ouvrant ainsi de nouvelles perspectives pour l’analyse des données complexes et de grande dimension |
| Note de contenu : |
Chapitre 1 : FONDEMENTS THEORIQUES Chapitre 2 : METHODOLOGIE PROPOSEE Chapitre 3 : Mise en œuvre, résultats et discussion |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
Une évaluation des méthodes de présentation des données non image dans l'architecture CNN Adobe Acrobat PDF |
