28/04/2003©PEPITe S.A.Page 1 [email protected].

28/04/2003 ©PEPITe S.A.

www.pepite.be

[email protected]

28/04/2003 ©PEPITe S.A.

« Data Mining »En bref…

Techniques informatiques d’exploration automatique de donnéesExtraction de connaissances à partir de données assistée par ordinateurLes piliers:

Visualisation d’informationLa statistiqueL’apprentissage automatique:

• Réseaux de neurones• Arbres d’induction (décision, régression,..)

L’intelligence artificielle

28/04/2003 ©PEPITe S.A. Page 4

CRISP-DM


Statistique

Synthétiser l’information (moyenne, écart-type, etc.)Sélection MANUELLE des modèlesTests d’hypothèses pour valider les choix des modèlesMieux adapté pour des petites bases de donnéesMéthodes plus complexes demandant une grande expertise pour une utilisation efficace


Visualisation


Apprentissage Automatique

Extraction de la Connaissance

Construction de modèles à partir d’observations (ou de simulations) d’un systèmeDans le but de:

Expliquer le comportement du systèmePrédire le comportement du système

Pas d’hypothèses sur les modèles de départMAIS, nécessité d’un minimum d’observations


IA : Systèmes ExpertsModélisation de la Connaissance

La machine imite le comportement de l’être humainCapacité d’apprendre et de raisonner Capacité de proposer des solutions déduites de prédicatsIntroduction préable des règles (IF…THEN…) et de faits par l’expertOutils d’inférence : PROLOG, CLIPS, JESS, LISP, OPENCYC,…Gestion d’alarmes, jeux,…


Apprentissage Automatique Supervisé

Entrées Xi : données du débiteurSortie Y : solvabilitéConstruction du modèle Y = F(X1,…XN)Diviser la BD en un ensemble d’apprentissage et un ensemble de testApprendre avec EAValider quantitativement le modèle avec ETValider qualitativement le modèle avec expertExploitation du modèle

28/04/2003 ©PEPITe S.A. Page 10

SuperviséClassement & Régression

Sortie Y continue : régressionTaux de rebuts

Sortie Y discrète : classementTaux de rebuts acceptable/non acceptable

28/04/2003 ©PEPITe S.A. Page 11

Apprentissage Automatique

Non-SuperviséApprendre les relations entre variablesPas de distinction entre variables d’entrées et de sortiesExemple :

Retrouver des journées de productions similairesRetrouver des corrélations entre attributs (mesures similaires)

Méthodes :Dendrogramme, K-MEANS

28/04/2003 ©PEPITe S.A. Page 12

SuperviséArbres de Décision

Apprentissage automatique supervisé pour le classementConstruction

A chaque noeud recherche de la meilleure entrée et de la bonne questionSéparation du noeud en deux fils en fonction de la réponse à la questionArrêt du développement

Utilisation Propagation d’un nouvel objet dans l’arbre, le noeud terminal indique la classe de l’objet

28/04/2003 ©PEPITe S.A. Page 13

Arbre de DécisionConstruction

T° > 54°CT° > 54°CYY

NYY

N

28/04/2003 ©PEPITe S.A. Page 14

Atouts des Arbres

Interprétable :Lecture facile des règlesPlus facile pour la validation qualitative

Sélection des paramètres relevantsConstruction très rapideDifférentes variantes :

Arbres de régression (sortie continue)Arbres flous (sortie continue et discrète)Ensemble d’arbres

28/04/2003 ©PEPITe S.A. Page 15

Problématique des Données

Qualité:erreurs d’encodagebruits valeurs manquantes

Quantité:taille minimum requise de la BD imprévisible (dépend de la complexité du problème)

28/04/2003 ©PEPITe S.A. Page 16

Types de Données

ImagesSonsDonnées symboliques (grand, petit, chaud, froid,…)Données numériquesDonnées temporelles

28/04/2003 ©PEPITe S.A. Page 17

Méthodes

Régression multivariéeArbres (régression, classif., flous,…)Réseaux de neuronesRéseaux baysiensAnalyse Composantes Principales (ACP – PCA)Machines à support vectoriel…

28/04/2003 ©PEPITe S.A. Page 18

La Meilleure Méthode ?

Toutes et aucuneDépend du type de problèmeDépend des besoins

Précision : réseau de neuronesInterprétabilité : arbres de décison

Nécessité de disposer d’une boîte à outils robuste, flexible et adaptable

28/04/2003 ©PEPITe S.A. Page 19

Manufacturing Industry

ERP: planning, scheduling, supply and logistics ERP: planning, scheduling, supply and logistics

MES: plant-wide optimization &management MES: plant-wide optimization &management

Automation, advanced process control,abnormality management

Automation, advanced process control,abnormality management

Basic control, rectification, statistical analysis Basic control, rectification, statistical analysis

Measurement and sensing, on-line monitoring Measurement and sensing, on-line monitoring

11

22

33

44

55

28/04/2003 ©PEPITe S.A. Page 21

Applications en Économie

eCRM analytique : analyse du comportement des clients, des interactions & optimisation de métriques de satisfaction

Détection de fraudeStratégies de tradingOptimisation de portfolioBâle II : mesure et analyse du risque dans le gestion des fonds propres des banques

©PEPITe S.A. 28/04/2003

Links2go

http://www.cwu.edu/~borisk/financehttp://www.aaai.orghttp://www.aaai.org/AITopicshttp://www.kdnuggets.comhttp://www.crisp-dm.orghttp://www.montefiore.ulg.ac.be/services/stochastic

28/04/2003©PEPITe S.A.Page 1 [email protected].

Documents

Transcript of 28/04/2003©PEPITe S.A.Page 1 [email protected].