CLASSIFICATION DE L’HYPOTHYROIDIE PAR APPROCHE, MONO CLASSIFIEUR ET MULTI CLASSIFIEURS
Des informations générales:
Le niveau |
Master |
Titre |
CLASSIFICATION DE L’HYPOTHYROIDIE PAR APPROCHE, MONO CLASSIFIEUR ET MULTI CLASSIFIEURS |
SPECIALITE |
Informatique Biomédicale |
Page de garde:
Sommaire:
Introduction générale
Chapitre I:Apprentissage Artificiel
1.1. Introduction
1.2. Phase d’apprentissage
1.3.Types d’apprentissage
1.3.1. Apprentissage supervisé
1.3.2. Apprentissage non supervisé
1.3.3. Apprentissage semi supervisé
1.3.4. Apprentissage par renforcement :
1.3.5. Apprentissage « en ligne » et apprentissage « hors-ligne >>
1.4. Phase de test
1.4.1. Taux de classification
1.4.2. La Sensibilité
1.4.3. La Spécificité
1.5. La validation croisée
1.6. Conclusion
Chapitre II: Etat de l’art.
II.1. Introduction.
II.2. Mono classification
II.2.1. Machine à Vecteurs de support (SVM).
II.2.2. Réseaux de Neurones (RNA)
II.2.3. K plus proches voisins (KNN)
II.2.4. Arbre de décision (ADD).
II.3. Multi classification.
II.4. Méthodes de sélection
II.5. Conclusion.
Chapitre III: Mono et Multi Classification
III.1. Introduction
III.2. Mono Classification
III.2.1. Les machines à vecteur de support (SVM)
III.2.1.1. Principes de fonctionnement général de la technique SVM.
III.2.1.2. Séparation linéaire et non linéaire.
III.2.2. Les réseaux de neurones (RNA)
III.2.2. 1. Neurone formel
III.2.2. 2. Perceptron multicouche
III.2.2. 3. L’algorithme de rétro-propagation du gradient
III.2.3. Les K plus proche voisins (KNN).
III.2.3.1. Algorithme des KNN
III.2.4. Arbre de décision (ADD)
III.2.4.1. Construction d’un arbre de décision.
III.3. Multi classification
III.3.1. Introduction
III.3.2. Combinaison Homogène.
III.3.2.1. Processus de sélection de variables.
III.3.3. Combinaison Hétérogène.
III.3.3.1 Vote majoritaire (VM).
III.4. Conclusion
Chapitre IV: Résultats et Discussion
IV.1. Introduction
IV.2. l’hypothyroïdie.
IV.2.1. Définition de la thyroïde.
IV.2.2. Ensemble hypothalamus/hypophyse/thyroïde
IV.2.3.Définition de l’hypothyroïdie
IV.2.4. Comment détecter l’hypothyroïdie?
IV.2.5. Les facteurs de risque :
IV.2.6. Les types de l’hypothyroïdie.
IV.3. Base de données :
IV.3.1. Description des paramètres de la base de données
IV.3.2. Prétraitement de la base
IV.4. Critère d’évaluation
IV.5. Expérimentation 1: mono-Classification
IV.5.1. Les paramètres des différents classifieurs utilisés
IV.5.2. Sélection de variables.
IV.5.2.1. Sélection Relief
IV.5.2.2. Sélection Rank
IV.6. Expérimentation 2: Multi-Classification.
IV.6.1. Vote majoritaire
IV.6.2. Théorie de Dempster-Shafer
IV.6.3. Combinaison homogène
IV.6.4. Combinaison hétérogène.
IV.6.4.1. Combinaison hétérogène (BDD sans sélection de variables)
IV.6.4.2.combinaison hétérogène (BDD avec sélection de variables Relief).
IV.6.4.3.combinaison hétérogène (BDD avec sélection de variables Rank).
IV.8. Conclusion
Chapitre I:Apprentissage Artificiel
1.1. Introduction
1.2. Phase d’apprentissage
1.3.Types d’apprentissage
1.3.1. Apprentissage supervisé
1.3.2. Apprentissage non supervisé
1.3.3. Apprentissage semi supervisé
1.3.4. Apprentissage par renforcement :
1.3.5. Apprentissage « en ligne » et apprentissage « hors-ligne >>
1.4. Phase de test
1.4.1. Taux de classification
1.4.2. La Sensibilité
1.4.3. La Spécificité
1.5. La validation croisée
1.6. Conclusion
Chapitre II: Etat de l’art.
II.1. Introduction.
II.2. Mono classification
II.2.1. Machine à Vecteurs de support (SVM).
II.2.2. Réseaux de Neurones (RNA)
II.2.3. K plus proches voisins (KNN)
II.2.4. Arbre de décision (ADD).
II.3. Multi classification.
II.4. Méthodes de sélection
II.5. Conclusion.
Chapitre III: Mono et Multi Classification
III.1. Introduction
III.2. Mono Classification
III.2.1. Les machines à vecteur de support (SVM)
III.2.1.1. Principes de fonctionnement général de la technique SVM.
III.2.1.2. Séparation linéaire et non linéaire.
III.2.2. Les réseaux de neurones (RNA)
III.2.2. 1. Neurone formel
III.2.2. 2. Perceptron multicouche
III.2.2. 3. L’algorithme de rétro-propagation du gradient
III.2.3. Les K plus proche voisins (KNN).
III.2.3.1. Algorithme des KNN
III.2.4. Arbre de décision (ADD)
III.2.4.1. Construction d’un arbre de décision.
III.3. Multi classification
III.3.1. Introduction
III.3.2. Combinaison Homogène.
III.3.2.1. Processus de sélection de variables.
III.3.3. Combinaison Hétérogène.
III.3.3.1 Vote majoritaire (VM).
III.4. Conclusion
Chapitre IV: Résultats et Discussion
IV.1. Introduction
IV.2. l’hypothyroïdie.
IV.2.1. Définition de la thyroïde.
IV.2.2. Ensemble hypothalamus/hypophyse/thyroïde
IV.2.3.Définition de l’hypothyroïdie
IV.2.4. Comment détecter l’hypothyroïdie?
IV.2.5. Les facteurs de risque :
IV.2.6. Les types de l’hypothyroïdie.
IV.3. Base de données :
IV.3.1. Description des paramètres de la base de données
IV.3.2. Prétraitement de la base
IV.4. Critère d’évaluation
IV.5. Expérimentation 1: mono-Classification
IV.5.1. Les paramètres des différents classifieurs utilisés
IV.5.2. Sélection de variables.
IV.5.2.1. Sélection Relief
IV.5.2.2. Sélection Rank
IV.6. Expérimentation 2: Multi-Classification.
IV.6.1. Vote majoritaire
IV.6.2. Théorie de Dempster-Shafer
IV.6.3. Combinaison homogène
IV.6.4. Combinaison hétérogène.
IV.6.4.1. Combinaison hétérogène (BDD sans sélection de variables)
IV.6.4.2.combinaison hétérogène (BDD avec sélection de variables Relief).
IV.6.4.3.combinaison hétérogène (BDD avec sélection de variables Rank).
IV.8. Conclusion
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.