L’Apprentissage Automatique Pour La Prédiction De Lien Dans Les Réseaux Complexes
| dc.contributor.author | BOUABDALLAH, Maroua | |
| dc.contributor.author | DRIAI, Ibtissem | |
| dc.date.accessioned | 2024-11-07T09:19:28Z | |
| dc.date.available | 2024-11-07T09:19:28Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | This work explores graph theory concepts to model and analyze complex networks with an emphasis on the use of machine learning. Methods examined include similarity measures based on common neighbors, measures based on the length of paths, We also evaluated the effectiveness of different classification algorithms, such as Support Vector Machine (SVM), K Nearest Neighbors (KNN)…Our results show that certain combinations of these methods and algorithms make it possible to obtain accurate predictions of link classes in complex networks, thus opening new perspectives for their analysis and application in various fiel | en_US |
| dc.identifier.issn | MM/852 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5685 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.subject | : link prediction, Classification algorithms, Complex networks ت | en_US |
| dc.subject | : prédiction de lien, Algorithmes de classification, Réseaux complexes | en_US |
| dc.title | L’Apprentissage Automatique Pour La Prédiction De Lien Dans Les Réseaux Complexes | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- Apprentissage automatique pour la prédiction de lien dans reseaux socieaux (Récupération automatique)laste (Récupération automatique) 125.pdf
- Size:
- 1.52 MB
- Format:
- Adobe Portable Document Format
- Description:
- Dans notre thèse intitulée L’Apprentissage Automatique Pour La Prédiction De Lien Dans Les Réseaux Complexes, nous avons exploré en profondeur le domaine des réseaux complexes et de la prédiction de liens en utilisant des techniques d’apprentissage automatique. Nous avons examiné les fondements théoriques des réseaux complexes telle que le nombre de nœuds, le nombre de liens, le degré moyen, le coefficient de regroupement, la longueur moyenne du chemin le plus court et d'autres propriétés structurelles, mettant en évidence leur ubiquité dans de nombreux domaines et leur rôle crucial dans la modélisation des interactions entre entités. Cette partie introductive a posé les bases nécessaires à la compréhension des défis et des opportunités associés à la prédiction de liens. Ensuite, nous avons démontré des méthodes efficaces pour prédire les connexions entre les entités dans divers types de réseaux en utilisant des techniques d’apprentissage automatique, en nous concentrant sur les méthodes supervisées. Nous avons étudié en détail des algorithmes tels que SVM, KNN, AdaBoost et Random Forest, dans laque KNN vise à classer de nouvelles données en fonction de la similarité avec des données existantes, SVM cherche à maximiser la marge entre différentes classes pour une séparation optimale, AdaBoost combine plusieurs classificateurs faibles pour renforcer la performance globale, et Random Forest utilise l'agrégation de multiples arbres de décision pour réduire la variance et améliorer la robustesse des prédictions. Ainsi que les mesures d’évaluation pour quantifier la performance de ces modèles. Nous avons décrit en détail notre environnement de travail, notre méthodologie de traitement des données et notre approche pour entraîner et évaluer nos modèles. Les résultats de nos expériences ont confirmé la pertinence et l’efficacité de nos approches. Notamment, nous avons constaté que les méthodes SVM et AdaBoost se sont avérées être les plus performantes pour la prédiction de liens dans nos réseaux complexes. Elles ont surpassé les autres modèles en termes de précision, Accuracy et F1-score, démontrant une capacité exceptionnelle à identifier correctement les liens existants et à prévoir les nouvelles connexions potentielles. En conclusion, cette thèse a été une exploration holistique du domaine de la prédiction de liens dans les réseaux complexes, allant des concepts théoriques aux applications pratiques. En Chapitre III Tests et expérimentations [47] combinant une compréhension approfondie des réseaux avec des techniques d'apprentissage automatique avancées montre la supériorité des méthodes SVM et AdaBoost, ce travail ouvre de nouvelles perspectives pour la modélisation et l'analyse des interactions dans une grande variété de domaines., représentent une avancée significative dans notre compréhension des réseaux complexes et offrent des pistes prometteuses pour des recherches futures. Bien que la plupart des objectifs fixés dans cette étude aient été atteints, il reste encore des perspectives et des améliorations potentielles qui pourraient être réalisées à l’avenir telles que: ❖ Utiliser une base de données plus grande: Intégrer un plus grand nombre de réseaux, y compris des réseaux plus complexes, pour évaluer la robustesse et la scalabilité des modèles. ❖ Explorer d’autres méthodes d’apprentissage: Examiner des techniques comme les réseaux de neurones profonds, les méthodes d’ensemble telles que le Gradient Boosting Machines (GBM) et les réseaux de neurones convolutifs pour capturer des relations non linéaires et des structures complexes dans les réseaux. ❖ Utiliser d’autres mesures de performance: Adopter des métriques telles que l’AUC (Area Under the Curve) et le ROC (Receiver Operating Characteristic) pour une évaluation plus complète de la capacité des modèles à prédire les liens dans les réseaux complexes. Ces pistes de recherche futures contribueront à approfondir notre compréhension et à améliorer la précision des prédictions dans les réseaux complexes, renforçant ainsi l'applicabilité de l'apprentissage automatique dans ce domaine.
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: