Apprentissage sur des données académiques en vue de faciliter l'orientation et l'aide à la décision

• Résuméi
  
  • 1.1 Introduction
    
  • 1.2 Historique de l'orientation scolaire
    
  • 1.3 Les niveaux d'orientation scolaire
    
  • 1.4 Processus d'orientation au Cameroun
    
  • 
    
  • 1.4.1 Les différents tests pour l'orientation
    
  • 1.4.1.1 Le test BV11
    
  • 1.4.1.2 Le test KRX
    
  • 1.4.1.3 Le test PRC
    
  • 1.4.1.4 Le test MECA
    
  • 1.4.1.5 Le test D48
    
  • 1.4.2 Le Tracédes Profils Psychologiques
    
  • 1.5 Conclusion
    
  • 2.1 Introduction
    
  • 2.2 Le Machine Learning (Apprentissage Automatique)
    
  • 
    
  • 2.2. LE MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)CHAPITRE 2. REVUE DE LA LITTÉRATURE
    
  • 
    
  • 2.2. LE MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)CHAPITRE 2. REVUE DE LA LITTÉRATURE
    
  • 2.2.1 Les Types d'apprentissages
    
  • 2.2.1.1 Apprentissage supervisé
    
  • 2.2. LE MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)CHAPITRE 2. REVUE DE LA LITTÉRATURE
    
  • 2.2. LE MACHINE LEARNING (APPRENTISSAGE AUTOMATIQUE)CHAPITRE 2. REVUE DE LA LITTÉRATURE
    
  • 2.2.1.2 Apprentissage non supervisé
    
  • 2.2.1.3 Apprentissage par renforcement
    
  • 2.3 Les Algorithmes de Machine Learning
    
  • 2.3.3.1 Principe du K-PPV
    
  • 2.3.3.2 Avantages de la méthode des K-PPV
    
  • 2.3.3.3 Inconvénients de la méthode des K-PPV
    
  • 2.3.4.1 Généralités sur les arbres de décision
    
  • 2.3.4.2 Construction d'un arbre de décision
    
  • 2.3.4.3 Avantages des Arbres de Décision
    
  • 2.3.4.4 Inconvénients des Arbres de Décision
    
  • 2.3.5.1 Le Principe des SVMs
    
  • 2.3.5.2 Le SVM Linéaire
    
  • 
    
  • 2.3.5.3 Cas linéairement séparable
    
  • 1. Forme Primale :
    
  • 
    
  • 2. Forme Duale:
    
  • 2.3.5.4 Avantages de SVM
    
  • 2.3.5.5 Inconvénients de SVM
    
  • 2.3.6.1 Neurone Biologique
    
  • 2.3.6.2 Les Réseaux de Neurones
    
  • 2.3.6.3 Neurone formel (artificiel)
    
  • 2.3.6.4 Fonctions d'activation
    
  • 2.3.6.5 Les réseaux de neurones célèbres
    
  • 2.3.6.6 Le Perceptron
    
  • 2.3.6.7 Le perceptron multicouches
    
  • 2.3.6.8 L'apprentissage
    
  • 2.3.6.9 Avantages des réseaux de neurones
    
  • 2.3.6.10 Inconvénients des réseaux de neurones
    
  • 
    
  • 2.4 État de l'art du ML appliquéà l'éducation
    
  • 2.4.1 Les travaux connexes
    
  • 2.4.1.1 Dans le monde
    
  • 2.4.1.2 Au Cameroun
    
  • 2.4.2 L'aide à la décision
    
  • 2.5 Conclusion
    
  • 
    
  • 3.1 Cahier de charge (Objectif visé)
    
  • 3.2 L'acquisition (Collecte) des données
    
  • 3.3 Pré-traitement des données
    
  • 3.3.1 Nettoyage des données
    
  • 3.3.2 Transformation des données
    
  • 3.3.3 Intégration des données
    
  • 3.3.4 Réduction des données
    
  • 3.4 Modélisation de l'entrepôt de données
    
  • 3.4.1 Les modèles logiques d'un entrepôt
    
  • 3.4.1.1 Le Modèle en Étoile
    
  • 3.4.1.2 Le Modèle en Flocon
    
  • 3.4.1.3 Le modèle de galaxie (Constellation)
    
  • 3.4.2 Modèle type de l'entrepôt des données
    
  • 3.4.3 Structure multidimensionnelle
    
  • 3.5 Classification
    
  • 3.6 Conclusion
    
  • 4.2.1.1 La méthode holdout
    
  • 4.2.1.2 La méthode K-Folds
    
  • 4.2.1.3 La méthode LOOCV
    
  • 4.2.2 La matrice de confusion