Algorithmes biomimétiques pour la fouille de données
69,90 €
66,40 €
Économisez 5%
Classification non-supervisée par des fourmis artificielles
Nous présentons dans ce livre deux algorithmes biomimétiques inspirés du comportement des fourmis réelles pour la résolution du problème de la classification non-supervisée de données CAC (Communicating Ants for Clustering) et CACB (CAC with Backtracking strategy).
Ces algorithmes s'inspirent du phénomène de la communication sonore observé chez les fourmis.
CACB introduit aussi le concept de retour sur les décisions qui autorise les fourmis artificielles à modifier l'appartenance d'un objet ou d'un ensemble d'objets d'une classe à une autre.
CACB a été évalué sur des bases de données réelles et a montré une grande efficacité.
Nous avons exploité les performances de l'algorithme CACB dans deux applications réelles; la première est un système d'indexation et de recherche d'images par le contenu où CACB est utilisé pour générer une classification des images dans le but de les indexer.
La deuxième est un système de recommandation pour le génie logiciel où nous avons utilisé CACB pour classer un corpus de classes UML dans le but d'exploiter la classification obtenue pour proposer des recommandations à un utilisateur lors de l'élaboration d'un diagramme de classes UML.
Akil Elkamel a reçu son doctorat en Informatique de l'Université de Sfax et il est actuellement maître assistant à l'Université de Monastir.
Il est aussi membre du laboratoire de recherche en Informatique et Multimédia Mir@cl.
Ses domaines de recherche comprennent les techniques de fouille de données et les méthodes d'optimisation.
Fiche technique
- Auteur
- Akil Elkamel
- Langue
- Français
- Éditeur
- Éditions universitaires européennes
- Pays
Tunisie
Classification non-supervisée par des fourmis artificielles
Nous présentons dans ce livre deux algorithmes biomimétiques inspirés du comportement des fourmis réelles pour la résolution du problème de la classification non-supervisée de données CAC (Communicating Ants for Clustering) et CACB (CAC with Backtracking strategy).
Ces algorithmes s'inspirent du phénomène de la communication sonore observé chez les fourmis.
CACB introduit aussi le concept de retour sur les décisions qui autorise les fourmis artificielles à modifier l'appartenance d'un objet ou d'un ensemble d'objets d'une classe à une autre.
CACB a été évalué sur des bases de données réelles et a montré une grande efficacité.
Nous avons exploité les performances de l'algorithme CACB dans deux applications réelles; la première est un système d'indexation et de recherche d'images par le contenu où CACB est utilisé pour générer une classification des images dans le but de les indexer.
La deuxième est un système de recommandation pour le génie logiciel où nous avons utilisé CACB pour classer un corpus de classes UML dans le but d'exploiter la classification obtenue pour proposer des recommandations à un utilisateur lors de l'élaboration d'un diagramme de classes UML.