Administration d'un big data sous mongodb et extraction de connaissance par réseau de neurones.

TABLE DES MATIERES

IN MEMORIAM i

ÉPIGRAPHE ii

DÉDICACE iii

REMERCIEMENTS iv

AVANT-PROPOS vi

LISTE DES ABRÉVIATIONS UTILISÉES vii

LISTE DES FIGURES viii

LISTE DES TABLEAUX x

INTRODUCTION GENERALE 1

1. CONTEXTE 1

2. PROBLEMATIQUE 2

3. HYPOTHESE 3

4. CHOIX ET INTERET DU SUJET 3

4.1. Choix du sujet 3

4.2. Intérêt du sujet 3

5. METHODES ET TECHNIQUES UTILISEES 4

5.1. Méthodes 4

5.2. Techniques 4

6. SUBDIVISION DU TRAVAIL 4

CHAPITRE I: BIG DATA [1], [6], [12], [16], [19] 5

I.1. INTRODUCTION 5

I.2. APERÇU HISTORIQUE 6

I.3. PRESENTATION DE L'ASPECTS BIG DATA 7

I.4. OBJECTIFS 8

I.5. CARACTERISTIQUES 9

I.6. DEFINITION DU BIG DATA 10

I.6.1. Première définition de Big Data 10

I.6.2. Deuxième définition de Big Data 11

I.7. TYPES DES DONNEES DU BIG DATA 11

I.7.1. Données structurées 11

I.7.2. Données non structurées 12

I.8. TECHNIQUES D'ANALYSE ET DE VISUALISATION DU BIG DATA 12

I.8.1. Visualisation 13

I.9. DIFFERENCES AVEC L'INFORMATIQUE TRADITIONNELLE OU DECISIONNELLE 13

I.10. BIG DATA ET SES TECHNOLOGIES 14

I.10.1. Solutions de stockage 14

I.10.1.1. Bases des Données NoSQL 15

1) Théorème du CAP (d'Eric Brewer) 15

2) Principes ACID et BASE 16

3) Critères de Migration vers le principe CAP NoSQL 18

I.11. TYPES DE BASE DE DONNEES NoSQL 19

I.11.1. Bases de données orientées-document 19

I.11.2. Bases de données orientées-colonne 20

I.11.3. Bases de données orientées-graphe 20

I.11.4. Bases de données orientées-clé-valeur 21

4) Outils MapReduce et Hadoop 23

a) MapReduce 23

b) Hadoop 24

I.12. SOLUTIONS LOGICIELLES 24

I.12.1. Moteurs Sémantiques (Text Mining) 24

I.12.2. Solutions d'Analytiques 24

I.12.3. Solutions matérielles et/ou architecturales 25

I.12.3.1. Cloud Computing 25

I.12.3.2. Super Calculateurs Hybrides (HPC : High Performance Computing) 26

I.12.3.3. Stockage des Données en Mémoire : 26

I.12.3.4. Serveurs des Traitements Distribués : 26

I.13. CHOIX DU BIG DATA [1] 26

I.13.1. Big Data et recrutement 26

I.13.2. Métiers du Big Data 27

CONCLUSION PARTIELLE 28

CHAPITRE II : SYSTÈME DE GESTION DE BASE DE DONNEES ORIENTE DOCUMENT ET MONGODB [7],[9] 29

II.1. SGBD ORIENTE DOCUMENT 29

II.1.1. Introduction 29

II.1.2. Définition 29

II.1.3. Types de modèle de SGBD NoSQL [7] 30

II.1.4. Comparaison des outils de gestion des BD NoSQL 30

II. 2. MongoDB 31

II.2.1. Présentation 31

II.2.2. Schéma 32

II.2.2.1. Document 32

II.2.2.2. Collection 32

II.2.2.3. Documents intégrés 33

II.2.3. Caractéristiques 33

II.2.4. Structure des données 33

II.2.5. Stockage des objets larges 34

II.2.6. Traitement des données 35

II.2.7. Mise en oeuvre 35

II.2.7. Installation 35

II.2.7.2. Invite interactive 35

II.2.7.3. Programmation cliente 36

II.2.7.4. Administration 36

II.2.7.5. Sécurité 37

II.2.7.6. Réplication 37

II.2.7.7. Répartition (sharding) 37

CONCLUSION PARTIELLE 38

CHAPITRE III : FOUILLE DE DONNEES ET RESEAUX DE NEURONES [13], [14], [18] 39

III. 1. FOUILLE DE DONNEES 39

III.1.1. Présentation 39

III.1.2. Objectifs de la Fouille de données 39

III.1.3. Méthodes (Algorithmes) de Fouille de données 40

III.1.4. Concepts de base de Fouille de données 43

III.2. ALGORITHME DE -MEANS [2], [15] 45

III.2.1. Introduction 45

III.2.2. Théorème de Hyugens 46

III.2.3. Principe général des méthodes des centres mobiles 46

III.2.4. Déroulement de l'algorithme 47

III.3. RESEAUX DE NEURONES 48

III.3.1. Historique 48

III.3.2. Présentation des réseaux de neurones 49

III.3.3. Neurone biologique 50

III.2.4. Structure du réseau de neurones 51

III.3.5. Réseaux de neurones artificiels (RNA) 52

III.3.5.1. Quelques définitions sur le RNA 52

III.3.5.2. Comportement du neurone artificiel 54

III.3.6. Neurone formel 55

III.3.7. Sortes de réseau de neurones 56

III.3.8. Topologie d'un réseau de neurones 56

III.4. APPRENTISSAGE DES RESEAUX DE NEURONES 59

III.4.1. Algorithmes d'apprentissage 61

III.4.1.1. Algorithme de HEBB 62

III.4.1.2. Algorithme d'apprentissage du perceptron 62

III.4.1.3. Algorithme de propagation de gradient pour un perceptron 63

CONCLUSION PARTIELLE 64

CHAPITRE IV : IMPLEMENTATION ET INTERPRETATION DE RESULTATS [3], [4], [5], [6] 65

IV.1. INTRODUCTION 65

IV.2. ANALYSE PREALABLE : PRESENTATION DE LA BANQUE COMMERCIALE DU CONGO 66

IV.2.1. Brève aperçue historique de la BCDC 66

IV.2.2. Objectifs & Missions de la BCDC 68

IV.2.3. Quelques directions de la BCDC 68

IV.2.4. Siège 69

IV.2.5. Organigramme de la BCDC 69

IV.3. LE CHURN [3], [17] 70

IV.3.1. Notions 70

IV.3.2. Définitions 71

IV.4. Présentation des Outils utilisés [10], [11] 71

IV.4.1. Langages de programmation : Python et R [10] 71

IV.4.2. Environnement de développement intégré (EDI) 75

IV.4.2.1. Jupyter [10] 76

IV.4.2.2. RStudio [11] 77

IV.4.3. Système de gestion de base de données : MongoDB [8], [9] 78

IV. 4.3.1. Administration de Big Data sous le SGBD MongoDB 78

IV.5. Présentation des données 81

IV.5.1. Présentation des données existantes d'analyse 81

IV.6. Implémentation et Analyse des résultats 85

1. Phase d'apprentissage 85

2. Phase de prédiction 86

CONCLUSION PARTIELLE 85

CONCLUSION GENERALE 86

BIBLIOGRAPHIE 87

TABLE DES MATIERES 89