Application d’algorithmes d’apprentissage supervisé pour la prédiction d’interactions dans les réseaux complexes
| dc.contributor.author | Khoudour, Taous | |
| dc.date.accessioned | 2022-01-06T09:52:07Z | |
| dc.date.available | 2022-01-06T09:52:07Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Predicting interactions in complex networks is important for the analysis and exploration of network evolution. After having made an overview of the existing methods, the mathematical formulation and the fields of application of this research theme, we implemented two types of solution for this problem and to apply them on three Datasets from different fields. Finally, we have presented the results of the experiments carried out. La prédiction des interactions dans les réseaux complexe est importante pour l'analyse et l’exploration de l'évolution des réseaux. Après avoir faire un tour d’horizon sur les méthodes existées, la formulation mathématique et les domaines d’application de ce thème de recherche, nous avons implémenté deux types de solution pour ce problème ainsi de les appliquer sur trois Datasets de différents domaines. Enfin, nous avons exposé les résultats des expérimentations réalisées. | en_US |
| dc.identifier.issn | MM/591 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/1665 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université Mohamed el-Bachir el-Ibrahimi Bordj Bou Arréridj Faculté de Mathématique et Informatique | en_US |
| dc.subject | Application.algorithmes réseaux complexes | en_US |
| dc.title | Application d’algorithmes d’apprentissage supervisé pour la prédiction d’interactions dans les réseaux complexes | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- mémoire DONE.pdf
- Size:
- 1.55 MB
- Format:
- Adobe Portable Document Format
- Description:
- A l’occasion de notre projet de fin d'études, nous avons choisi un domaine de recherche très intéressent et récent qui est l’analyse des réseaux complexe. Ce domaine constitue une réponse de mise en oeuvre des techniques intelligentes de recherches et de connaissances à partir de vastes ensembles de données. Ces connaissances étés utilisées pour des applications se rattachant à plusieurs domaines. Parmi celle-ci, la prédiction des liens dans les réseaux complexe, qui est un domaine de recherche rendu très actif par multiplication du nombre de documents numérique actuellement disponibles. Vu la croissance du flux et de la masse d'informations disponibles, il est nécessaire de livrer aux personnes la compréhension des interactions entre eux, et faciliter la visualisation et la navigation dans les réseaux énormes. La première partie de notre travail a été destiné à l'étude théorique. Nous avons présenté les réseaux complexes d’une façon général et aussi caractériser le problème de prédiction des liens et les différents approche et algorithmes existants. La deuxième partie a été consacrée aux expérimentations. Nous avons testé quatre méthodes de prédiction des liens (Common Neighbors, Coefficient de Jaccard, Adumic/Adar et et Preferential Attachment) sur trois réseaux différents (YTS, SMG et HMT). Aussi, on a testé deux méthodes d’apprentissage supervisé (Arbre de décision et KNN (K Nearest Neighbors)) sur les réseaux mentionnés. Dans ce projet, nous avons présenté un cadre pour caractériser le problème de prédiction des liens dans les réseaux complexe. On s'intéresse principalement aux méthodes de similarité et aux méthodes d’apprentissage supervisé pour prédire les liens. Les buts de notre projet de fin d’étude sont d'obtenir un ensemble de connaissances dans le domaine de l'analyse des réseaux complexe, de recevoir une bonne initiation à la recherche scientifique et d’assembler plusieurs compétences tel que Python et théorie des graphes. A la fin de notre travail nous voulons bien dire que nous avons atteint les objectifs et les buts tracés derrière cette étude.
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: