Contribution à la classification des BDRF

Audience : Adulte - Grand Public

Le Pitch

Littérature française

Les Systèmes de Gestion de Bases de Données Relationnelles (SGBDR) sont devenus, sans contexte, le noyau de tout système informatique. Cependant, La diversification des applications des bases de données a montré les limites des SGBDR notamment dans la représentation des données imprécises. Les bases de données relationnelles floues (BDRF) permettent de résoudre ce problème en offrant cette extension. Le stockage et la manipulation des données floues deviennent nécessaires, d'où l'importance de définir la fouille de données floues. Nous nous sommes intéressés à l'une des méthodes de la fouille de données floues, à savoir, la classification non supervisée floue. L'inconvénient majeur des algorithmes de classification est qu'ils ne permettent pas de traiter des données floues. Dans le cadre de ce travail, nous proposons de définir un nouvel algorithme de classification floue qui supporte aussi bien les données crisp que floues. Nous présentons un outil de clustering, basé sur cet algorithme, qui intègre deux types d'approches : l'approche crisp et l'approche floue. Afficher moinsAfficher plus

Contribution à la classification des BDRF

39,90 €

Le Pitch

Littérature française

Les Systèmes de Gestion de Bases de Données Relationnelles (SGBDR) sont devenus, sans contexte, le noyau de tout système informatique. Cependant, La diversification des applications des bases de données a montré les limites des SGBDR notamment dans la représentation des données imprécises. Les bases de données relationnelles floues (BDRF) permettent de résoudre ce problème en offrant cette extension. Le stockage et la manipulation des données floues deviennent nécessaires, d'où l'importance de définir la fouille de données floues. Nous nous sommes intéressés à l'une des méthodes de la fouille de données floues, à savoir, la classification non supervisée floue. L'inconvénient majeur des algorithmes de classification est qu'ils ne permettent pas de traiter des données floues. Dans le cadre de ce travail, nous proposons de définir un nouvel algorithme de classification floue qui supporte aussi bien les données crisp que floues. Nous présentons un outil de clustering, basé sur cet algorithme, qui intègre deux types d'approches : l'approche crisp et l'approche floue. Afficher moinsAfficher plus