Extraction des itemsets fréquents à partir des données imparfaites dans le contexte du Big data

Allaoua, Youcef

dc.contributor.author	Allaoua, Youcef
dc.date.accessioned	2021-07-07T11:23:49Z
dc.date.available	2021-07-07T11:23:49Z
dc.date.issued	2017-11-28
dc.identifier.uri	http://di.univ-blida.dz:8080/jspui/handle/123456789/11830
dc.description	ill., Bibliogr.	fr_FR
dc.description.abstract	Dans ce travail, nous proposons une extraction distribuées des itemsets fréquents à partir de données évidentielles. La solution est basée sur le modèle de programmation MapReduce afin de palier au problème de passage à l’échelle inhérent au Big Data. La démarche utilisée se repose sur le calcul du support évidentiel précis, ensuite nous conservons que ceux qui sont fréquents (c’est-à-dire ceux qui ont des fréquences d’apparition appelées supports précis dont les valeurs sont supérieures ou égales à un seuil minimal fixé. L’algorithme proposé a été testé sur des données synthétiques et a montré son eﬀicacité. MOTS-CLéS : Itemsets fréquents, Données imparfaites, Supports précis, Big data, Hadoop, MapReduce.	fr_FR
dc.language.iso	fr	fr_FR
dc.publisher	Université Blida 1	fr_FR
dc.subject	Itemsets fréquents	fr_FR
dc.subject	Données imparfaites	fr_FR
dc.subject	Supports précis	fr_FR
dc.subject	Big data	fr_FR
dc.subject	Hadoop	fr_FR
dc.subject	MapReduce	fr_FR
dc.title	Extraction des itemsets fréquents à partir des données imparfaites dans le contexte du Big data	fr_FR
dc.type	Thesis	fr_FR