Par Maurice Tchuente, Université de Yaoundé I -UMMISCO
Afin de pouvoir tirer le meilleur parti du cours Motifs fréquents, Arbres de décision , bagging, boosting il vous est recommandé de consulter les chapitres 3, 4 et 5 du livre disponible sur le lien suivant :
Introduction to Data Mining – users.cs.umn.edu
Les deux références suivantes vous seront aussi utiles :
1) Pour l’algorithme de calcul des itemsets fréquents : An Efficient Algorithm for Enumerating Closed Patterns in Transaction Databases,Takeaki Uno, Tatsuya Asai, +1 author Hiroki Arimura Published in Discovery Science 2004, DOI:10.1007/978-3-540-30214-8_2
2) Pour une application du calcul des sous-suites fréquentes à la reconnaissance des genres musicaux : Iloga, S., Romain, O., & Tchuenté, M. (2018). A sequential pattern mining approach to design taxonomies for hierarchical music genre recognition. Pattern Analysis and Applications, 21(2), 363-380,. https://link.springer.com/article/10.1007/s10044-016-0582-7
Les motifs fréquents contenus dans les grandes bases de données sont très utiles dans la pratique. Par exemple ils permettent d’analyser les comportements d’achat des clients. Par ailleurs les arbres de décision constituent des méthodes de base en classification. Le cours s’attachera à présenter ces méthodes en insistant sur les modèles mathématiques sous-jacents non seulement à leur conception, mais aussi à leur évaluation.
- Itemsets fréquents
• Calcul des itemsets fréquents par Apriori
• Génération des règles d’association
• Calcul des itemsets fréquents fermés - Sous-suites fréquentes
• Calcul des sous-suites fréquentes
• Application à la reconnaissance des genres musicaux - Arbres de décision
- Bagging
- Boosting
Maurice Tchuente est Professeur à l’Université de Yaoundé I. Il a travaillé avec E . Viennet et B. Kaledje sur la recherche des communautés dans les réseaux sociaux et avec O. Romain et S. Iloga sur l’application des motifs fréquents à la reconnaissance des genres musicaux. Il collabore actuellement avec M. Latapy et A. Nzekon sur les systèmes de recommandation à partir de flots de liens en tenant compte des informations secondaires liées notamment au contexte.