Une approche basée sur le Deep Learning pour la Recommandation des services web
Des informations générales:
Le niveau |
Master |
Titre |
Une approche basée sur le Deep Learning pour la Recommandation des services web |
SPECIALITE |
Réseaux et télécommunications |
Page de garde:
Sommaire:
Introduction générale
CHAPITRE I: SERVICES WEB
I.1 Introduction
1.2 Les services web
I.2.1 – Les caractéristiques des services web
I.2.2 Architecture d’un service Web
I.2.3 Les couches des Services Web
I.3 – Les services web sémantique
1.3.1 – L’objectif des services web sémantiques.
1.3.2-L’architecture des services web sémantiques
1.3.3 Descriptions sémantiques des services web
I.4 – Les limites des services web
I.5 Les services web sociaux
1.5.1 – La valeur de l’ajout de réseaux sociaux aux services Web.
1.5.2 Services Web sociaux en action
1.5.3 Systèmes de recommandation et plates-formes sociales.
1.6 Conclusion
CHAPITRE II: LES TECHNIQUES D’ANALYSE DE GRANDE MASSES DE
DONNEES
II.1 Introduction.
II.2 Les techniques d’analyse de grandes masses de données.
II.2.1 Définition
II.2.2 Apprentissage des Règles d’Associations
II.2.3 Analyse en composantes principales (ACP).
II.2.4 Apprentissage Automatique.
II.2.4.1 L’apprentissage Supervisé
II.2.4.2 L’apprentissage non supervisé
II.2.4.3 Apprentissage Par Renforcement
II.2.5 Deep Learning.
II.2.6 Les réseaux de neurones artificiels
II.2.6.1 Définition
II.2.6.2 Fonctionnement des réseaux de neurones artificiels
II.2.6.3 Les modèles des réseaux de neurones artificiels
II.2.6.3.1 Les réseaux Deep Feedforward
II.2.6.3.1.1 Fonctions d’Erreurs.
II.2.6.3.1.2 Fonctions d’Activation
II.2.6.3.1.3 La Descente de Gradient Stochastique
II.2.6.3.1.4 Challenges Pour Les SGD
II.2.6.3.1.5 Algorithmes d’Optimisation de Descente de Gradient
II.2.6.3.1.6 Algorithme de Rétropropagation du Gradient (Back-propagation)
II.2.6.3.2 Autoencodeurs
II.2.6.3.2.1 Undercomplete Autoencoders
II.2.6.3.2.2 Les Autoencodeurs Régularisés (Regularized Autoencoders)
II.2.6.3.3 Les réseau de neurones récurrents (RNN)
II.2.6.3.3.1 Définition
II.2.6.3.3.2 Déroulement d’un RNN.
II.2.6.3.3.3 Réseaux forward, backward et bidirectionnels.
II.2.6.3.3.4 Explosion et Disparition de Gradient.
II.2.6.3.4 Long Short-Term Memory (LSTM).
II.3 Conclusion
CHAPITRE III: CONCEPTION ET IMPLEMENTATION
III.1 Introduction
III.2 Acquisition des données
III.3 Nettoyage et préparation des données
III.3.1 Nettoyage des données des services web
III.3.1 Nettoyage des données des Mashups
III.3.2 Nettoyage des descriptions des services web.
III.4 Représentation des données
III.4.1 Les données des services web.
III.4.2 Les données des Mashups.
III.5 Classification.
III.5.1 La classification mono label.
III.5.1.1 La classification binaire
III.5.1.2 La classification multi classe
III.5.2 La classification multi label
III.6 Notre démarche pour un système de recommandation des services web
III.6.1 Préparation des données d’apprentissage.
III.6.2 Notre Modèle de classification Multi Label.
III.6.3 Degré de similarité.
III.6.3.1 TF-IDF
III.6.4 Recommandation
III.7 Environnement de Travail.
III.7.1 Matériel
III.7.2 Logiciel.
III.8 Techniques Utilisées.
III.8.1 Langage de Programmation Python
III.8.2 Deep Learning Library Keras.
III.8.3 Scikit-Learn
III.8.4 NLTK.
III.8.5 Numpy
III.8.6 Pandas
III.9 Discussion des Résultats
III.9.1 Entraînement et Paramétrage des Modèles
III.9.1.1 Fonction d’optimisation SGD
III.9.1.2 Fonction d’Activation Sigmoïde
III.9.1.3 Fonction d’Erreurs BinaryCross Entropy
III.9.1.4 Taux d’Apprentissage (Learning Rate).
III.9.1.5 Nombre d’Itérations (Epochs)
III.9.1.6 Taille de Batch (Batch Size).
III.9.1.7 Nombre de couches cachées
III.9.1.8 Le Dropout.
III.9.2 Entraînement du modèle FeedForward.
III.9.2.1 Paramétrage du Modèle FeedForward.
III.9.2.2 Paramètres d’apprentissage
III.9.2.3 Résultat d’apprentissage.
III.10 Conclusion
CHAPITRE I: SERVICES WEB
I.1 Introduction
1.2 Les services web
I.2.1 – Les caractéristiques des services web
I.2.2 Architecture d’un service Web
I.2.3 Les couches des Services Web
I.3 – Les services web sémantique
1.3.1 – L’objectif des services web sémantiques.
1.3.2-L’architecture des services web sémantiques
1.3.3 Descriptions sémantiques des services web
I.4 – Les limites des services web
I.5 Les services web sociaux
1.5.1 – La valeur de l’ajout de réseaux sociaux aux services Web.
1.5.2 Services Web sociaux en action
1.5.3 Systèmes de recommandation et plates-formes sociales.
1.6 Conclusion
CHAPITRE II: LES TECHNIQUES D’ANALYSE DE GRANDE MASSES DE
DONNEES
II.1 Introduction.
II.2 Les techniques d’analyse de grandes masses de données.
II.2.1 Définition
II.2.2 Apprentissage des Règles d’Associations
II.2.3 Analyse en composantes principales (ACP).
II.2.4 Apprentissage Automatique.
II.2.4.1 L’apprentissage Supervisé
II.2.4.2 L’apprentissage non supervisé
II.2.4.3 Apprentissage Par Renforcement
II.2.5 Deep Learning.
II.2.6 Les réseaux de neurones artificiels
II.2.6.1 Définition
II.2.6.2 Fonctionnement des réseaux de neurones artificiels
II.2.6.3 Les modèles des réseaux de neurones artificiels
II.2.6.3.1 Les réseaux Deep Feedforward
II.2.6.3.1.1 Fonctions d’Erreurs.
II.2.6.3.1.2 Fonctions d’Activation
II.2.6.3.1.3 La Descente de Gradient Stochastique
II.2.6.3.1.4 Challenges Pour Les SGD
II.2.6.3.1.5 Algorithmes d’Optimisation de Descente de Gradient
II.2.6.3.1.6 Algorithme de Rétropropagation du Gradient (Back-propagation)
II.2.6.3.2 Autoencodeurs
II.2.6.3.2.1 Undercomplete Autoencoders
II.2.6.3.2.2 Les Autoencodeurs Régularisés (Regularized Autoencoders)
II.2.6.3.3 Les réseau de neurones récurrents (RNN)
II.2.6.3.3.1 Définition
II.2.6.3.3.2 Déroulement d’un RNN.
II.2.6.3.3.3 Réseaux forward, backward et bidirectionnels.
II.2.6.3.3.4 Explosion et Disparition de Gradient.
II.2.6.3.4 Long Short-Term Memory (LSTM).
II.3 Conclusion
CHAPITRE III: CONCEPTION ET IMPLEMENTATION
III.1 Introduction
III.2 Acquisition des données
III.3 Nettoyage et préparation des données
III.3.1 Nettoyage des données des services web
III.3.1 Nettoyage des données des Mashups
III.3.2 Nettoyage des descriptions des services web.
III.4 Représentation des données
III.4.1 Les données des services web.
III.4.2 Les données des Mashups.
III.5 Classification.
III.5.1 La classification mono label.
III.5.1.1 La classification binaire
III.5.1.2 La classification multi classe
III.5.2 La classification multi label
III.6 Notre démarche pour un système de recommandation des services web
III.6.1 Préparation des données d’apprentissage.
III.6.2 Notre Modèle de classification Multi Label.
III.6.3 Degré de similarité.
III.6.3.1 TF-IDF
III.6.4 Recommandation
III.7 Environnement de Travail.
III.7.1 Matériel
III.7.2 Logiciel.
III.8 Techniques Utilisées.
III.8.1 Langage de Programmation Python
III.8.2 Deep Learning Library Keras.
III.8.3 Scikit-Learn
III.8.4 NLTK.
III.8.5 Numpy
III.8.6 Pandas
III.9 Discussion des Résultats
III.9.1 Entraînement et Paramétrage des Modèles
III.9.1.1 Fonction d’optimisation SGD
III.9.1.2 Fonction d’Activation Sigmoïde
III.9.1.3 Fonction d’Erreurs BinaryCross Entropy
III.9.1.4 Taux d’Apprentissage (Learning Rate).
III.9.1.5 Nombre d’Itérations (Epochs)
III.9.1.6 Taille de Batch (Batch Size).
III.9.1.7 Nombre de couches cachées
III.9.1.8 Le Dropout.
III.9.2 Entraînement du modèle FeedForward.
III.9.2.1 Paramétrage du Modèle FeedForward.
III.9.2.2 Paramètres d’apprentissage
III.9.2.3 Résultat d’apprentissage.
III.10 Conclusion
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.