Résumé:
Avec l’augmentation significative des flux de données disponible aujourd’hui, la fouille de données est un domaine très actif et utile permettant l'extraction de connaissances précieuse dissimulées dans les grosses masses de données. Nous nous plaçons ici dans le contexte de la fouille de motifs pertinents, et plus précisément la fouille d’épisodes fréquents à partir de longue séquences d’événements. Notre objectif est d’utiliser l’algorithme NONEPI de découverte de règles d’épisode sous la fréquence basée sur les occurrences non-chevauchée afin d’analyser les données de bourses pour la prédiction des achats et de vente de stocks comme l'or, le dollar …. etc. A l’aide des règles d’épisodes que nous avons trouvées, nous sommes parvenus à générer des graphes identiques aux graphes approuvés dans le domaine de la bourse, comme BEARISH CONJECTION, MORNING STAR
With the significant increase in available data flows today, data mining is a highly active and useful field that allows for the extraction of valuable knowledge hidden within large volumes of data. Here, we focus on the context of mining relevant patterns, specifically the mining of frequent episodes from long sequences of events. Our goal is to utilize the NONEPI algorithm for discovering episode rules under on non-overlapping occurrences frequency to analyze stock market data for the prediction of buying and selling stocks such as gold, dollar, etc. Using the discovered episode rules, we have been able to generate graphs similar to those recognized in the field of stock market, such as BEARISH CONJECTION, MORNING STAR
