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

UNIVERSITE DE DOUALA UNIVERSITY OF DOUALA

Facultédes Sciences Faculty of Sciences

Département de Maths-Info Department of Mathematics and CS

APPRENTISSAGE SUR DES DONNÉES
ACADÉMIQUES EN VUE DE FACILITER
L'ORIENTATION ET L'AIDE À LA DÉCISION

Mémoire rédigéen vue de l'obtention du diplôme de Master II
en informatique

Présentéet soutenu par:

NJAMEN MOUNGNUTOU ZELKIFILOU 21S65508

Sous l'encadrement de:

Douala, 2021

Dr NOUMSI Auguste. CC

4 Résumé4

De nos jours, la quasi-totalitédes systèmes des établissements scolaires sont informatisés. Ce qui permet la collecte et le stockage en leur sein des données issues de la gestion des processus académiques, disciplinaires, administratifs et même financiers. Les données ainsi collectées au cours de chaque année permettent le contrôle des activités et la production des effets académiques. Cependant, lorsqu'elles sont accumulées sur plusieurs générations, elles constituent un réservoir qui peut servir pour l'aide à la décision. Les perspectives en ce sens sont nombreuses : la gestion courante, la compréhension des facteurs d'échec ou du succès, l'impact de la discipline sur le succès, l'orientation scolaire etc. Compte tenu de la raretédes conseillers d'orientation, malgrél'importance de cette activité, nous proposons dans ce mémoire une solution automatisée d'aide à la décision pour l'orientation scolaire. Notre démarche va s'appuyer sur l'existence des données collectées au fil des années pour construire un système d'aide à la décision.

Mots clés : Machine Learning, Système de recommandation, classification, prédiction, orientation, aide de décision...

4 Abstract 4

Nowadays, almost all school systems are computerised. This allows the collection and storage of data from academic, disciplinary, administrative and even financial processes. The data collected in this way during each year allows the monitoring of activities and the production of academic effects. However, when accumulated over several generations, they constitute a reservoir that can be used to assist decision-making. The perspectives in this sense are numerous: current management, understanding the factors of failure or success, the impact of discipline on success, school orientation, etc. Given the scarcity of guidance counsellors, despite the importance of this activity, we propose in this dissertation an automated decision support solution for school orientation. Our approach is based on the existence of data collected over the years to build a decision support system.

Keywords : Machine Learning, Recommender system, classification, prediction, orientation, decision support...

4 Dédicace 4

Je dédie ce mémoire à ma famille et à toutes mes connaissances.

4 Remerciements 4

Au terme de ce travail, nous exprimons notre gratitude infinie à tous ceux qui ont participéde près ou de loin par leurs encouragements et précieux conseils ou suggestions rendant possible ce travail, Nous pensons notamment à:

· Pr. Marie Joseph NIDA NTAMAK Doyen de la Facultédes Sciences pour le travail qu'elle fait pour que cette institution soit toujours parmi les meilleurs.

· Pr. BOWONG Samuel chef de département de Maths-Info de l'universitéde Douala pour tout ce qu'il fait pour les étudiants en général.

· mon encadreur Dr. Auguste NOUMSI pour sa disponibilitéillimitée, son soutien inconditionnel, sa constante bienveillance et les mille critiques apportées pour améliorer ce travail.

· Dr. Joseph MVOGO, Coordinateur du Laboratoire d'informatique appliquée pour ses encouragements, ses critiques scientifiques et sa rigueur.

· Je tiens à remercier sincèrement les membres du jury qui me font l'immense honneur de juger et d'apprécier ce travail.

· Je tiens à remercier chaleureusement mes enseignants Dr Auguste NOUMSI, Dr MOSKOLAI, Dr MVOGO, M. DJEMEN pour les précieux conseils et enseignements prodigués et la patience dont ils avaient avec nous.

· Je remercie sincèrement Dr KAMENI E. de l'ENS de Yaoundésans oublier Dr Victor LOUMGAM de l'Universitéde YaoundéI et Patrick KENFACK du côtéde la Russie. pour leur disponibilitéà répondre à mes questions et sollicitations.

· Je remercie mes camarades, en particulier Taga Martial, DONGMO APOLINAIRE et tous les autres pour leur esprit de solidarité, de disponibilitéet de convivialitéqui nous ont unis durant cette année d'études.

v

4 Table des matières 4

Résuméi

Dédicace iii

Remerciements iv

Liste des tableaux ix

Table des figures xi

INTRODUCTION 1

1 L'ORIENTATION SCOLAIRE 5

1.1 Introduction 5

1.2 Historique de l'orientation scolaire 5

1.3 Les niveaux d'orientation scolaire 6

1.4 Processus d'orientation au Cameroun 7

1.4.1 Les différents tests pour l'orientation 8

1.4.1.1 Le test BV11 8

1.4.1.2 Le test KRX 8

1.4.1.3 Le test PRC 9

1.4.1.4 Le test MECA 9

1.4.1.5 Le test D48 10

1.4.2 Le Tracédes Profils Psychologiques 10

1.5 Conclusion 13

2 REVUE DE LA LITTÉRATURE 14

2.1 Introduction 14

TABLE DES MATIÈRES TABLE DES MATIÈRES

2.2 Le Machine Learning (Apprentissage Automatique) 14

2.2.1 Les Types d'apprentissages 16

2.2.1.1 Apprentissage supervisé 16

2.2.1.2 Apprentissage non supervisé 18

2.2.1.3 Apprentissage par renforcement 19

2.3 Les Algorithmes de Machine Learning 19

2.3.1 Algorithmes de Classification 23

2.3.2 Classification Naïve Bayésienne 23

2.3.3 Algorithme des K-PPV (K-Plus Proches Voisins) ou en anglais KNN

(K-Nearest Neighbors) 24

2.3.3.1 Principe du K-PPV 25

2.3.3.2 Avantages de la méthode des K-PPV 26

2.3.3.3 Inconvénients de la méthode des K-PPV 26

2.3.4 Les Arbres de décision 26

2.3.4.1 Généralités sur les arbres de décision 26

2.3.4.2 Construction d'un arbre de décision 29

2.3.4.3 Avantages des Arbres de Décision 30

2.3.4.4 Inconvénients des Arbres de Décision 30

2.3.5 Machines à vecteurs support SVM 30

2.3.5.1 Le Principe des SVMs 31

2.3.5.2 Le SVM Linéaire 32

2.3.5.3 Cas linéairement séparable 33

2.3.5.4 Avantages de SVM 34

2.3.5.5 Inconvénients de SVM 35

2.3.6 Les Réseaux de neurones 36

2.3.6.1 Neurone Biologique 36

2.3.6.2 Les Réseaux de Neurones 36

2.3.6.3 Neurone formel (artificiel) 37

2.3.6.4 Fonctions d'activation 38

2.3.6.5 Les réseaux de neurones célèbres 39

2.3.6.6 Le Perceptron 40

2.3.6.7 Le perceptron multicouches 41

2.3.6.8 L'apprentissage 41

Mémoire de Master II en Informatique vi c~NJAMEN M. ZELKIF 2020-2021

Mémoire de Master II en Informatique vii c~NJAMEN M. ZELKIF 2020-2021

TABLE DES MATIÈRES TABLE DES MATIÈRES

	2.3.6.9 Avantages des réseaux de neurones 2.3.6.10 Inconvénients des réseaux de neurones	42 43
2.4	État de l'art du ML appliquéà l'éducation	44
	2.4.1 Les travaux connexes	44
	2.4.1.1 Dans le monde	44
	2.4.1.2 Au Cameroun	47
	2.4.2 L'aide à la décision	48
2.5	Conclusion	48	3
DÉMARCHE MÉTHODOLOGIQUE	50
3.1	Cahier de charge (Objectif visé)	51
3.2	L'acquisition (Collecte) des données	51
3.3	Pré-traitement des données	53
	3.3.1 Nettoyage des données	54
	3.3.2 Transformation des données	56
	3.3.3 Intégration des données	57
	3.3.4 Réduction des données	57
3.4	Modélisation de l'entrepôt de données	58
	3.4.1 Les modèles logiques d'un entrepôt	58
	3.4.1.1 Le Modèle en Étoile	59
	3.4.1.2 Le Modèle en Flocon	59
	3.4.1.3 Le modèle de galaxie (Constellation)	60
	3.4.2 Modèle type de l'entrepôt des données	62
	3.4.3 Structure multidimensionnelle	62
3.5	Classification	63
3.6	Conclusion	64	4
RÉSULTATS ET DISCUSSIONS	65
4.1	Introduction	65
4.2	Les différentes techniques d'évaluations des modèles de Machine Learning .	65
	4.2.1 Validation Croisée	66
	4.2.1.1 La méthode holdout	67
	4.2.1.2 La méthode K-Folds	68
	4.2.1.3 La méthode LOOCV	68

TABLE DES MATIÈRES TABLE DES MATIÈRES

Mémoire de Master II en Informatique viii c~NJAMEN M. ZELKIF 2020-2021

4.2.2 La matrice de confusion 69

4.3 Résultat et Discussion 70

4.4 Conclusion 72

CONCLUSION ET PERSPECTIVES 73

Références 78

ix

4 Liste des tableaux 4

1.1	Dans cet exemple l'idée est de présenter la mésentente		8	2.1
Similitude entre un Neurone biologique et un Neurone formel	38		2.2
Machine learning Algorithmus	43		4.1
Exemple d'une Matrice de Confusion	69		4.2
Synthèse des différents Résultats obtenus	71

x

4 Table des figures 4

1.1 Illustration d'un exercice de KRX (Test de raisonnement numérique) . . . 9 1.2 Illustration d'un exercice de MECA (Test de raisonnement Mécanique) . . 10

1.3 Exemple 1 : de Profil 11

1.4 Exemple 2 : de Profil 11

1.5 Exemple 3 : de Profil 12

1.6 Exemple 4 : de Profil 12

1.7 Exemple 5 : de Profil 12

2.1 Illustration du Cadre de l'apprentissage par renforcement 20

2.2 Résuméen image des classes d'apprentissage 20

2.3 Exemple de classification avec un KPPV 25

2.4 Exemple de classification avec les Arbres de Décision 28

2.5 Exemple de classification avec les Arbres de Décision 29

2.6 Exemple de classification avec SVM 31

2.7 Hyperplan optimal, marge et vecteurs de support 32

2.8 Exemple de classification avec SVM dans le cas non séparables 35

2.9 Neurone biologique 36

2.10 Modèle d'un neurone formel (artificiel) 37

2.11 Les fonctions d'activation 39

2.12 Un exemple de perceptron 40

2.13 Un perceptron multicouche 42

2.14 Un autre exemple de perceptron multicouche 42

3.1 Schéma de la démarche méthodologique 50

3.2 Représentation des données après requêtes SQL 52

3.3 Processus d'acquisition et Pré-traitement des données 54

Mémoire de Master II en Informatique xi c~NJAMEN M. ZELKIF 2020-2021

TABLE DES FIGURES TABLE DES FIGURES

3.4
Processus de prise de décision	59	3.5
Schéma d'un entrepôt de données en étoile : tiréde Cartelis [1]	60	3.6
Exemple de dimension représentée en flocon (Kimball, Ross, 2008, p.55) . .	60	3.7
Structure de la Base d'exemple (Data Frame) chargéà l'aide de Python . .	61	3.8
Modèle type de l'entrepôt des données	62	3.9
Modèle type de l'entrepôt des données	63	4.1
Validation croisée : évaluation des performances de l'estimateur	67	4.2
Exemple K-Folds pour la Cross Validation	67	4.3
Diagramme des résultats	71

1

4 INTRODUCTION 4

Selon Wikipédia [2], L'orientation scolaire et professionnelle, universitaire et de carrière consiste à proposer à une personne en âge de scolaritéet même aux adultes (obligatoire ou post-obligatoire, voire permanente ou continue) les différentes filières dans lesquelles elle pourrait s'insérer en fonction de ses intérêts, de son parcours scolaire antérieur, et de sa personnalité.

Le conseiller d'orientation est un professionnel de l'éducation dont le rôle est d'assurer le suivi psycho-pédagogique des élèves, d'informer les membres de la communautéédu-cative sur les réalités du monde scolaire, les possibilités de formation et leur débouchés professionnels. À cet égard, il aide les élèves à faire des choix scolaires et professionnels judicieux et cohérents en tenant compte de leurs aptitudes, de leurs intérêts, de leurs attitudes et des réalités du monde du travail. Pour y parvenir, il fait usage d'un ensemble d'ou-tils, dont la batterie de tests d'aptitudes pour la classe de 3e du MINESEC-CAMEROUN

[3].

Au cours de ces dernières années, nous avons observéune forte informatisation des établissements des systèmes éducatifs. Face à cette numérisation des données des systèmes éducatifs, il nait le besoin d'automatiser certaines tâches qui, sont d'une importance capitale dans la concrétisation des objectifs de l'éducation qui ne sont rien d'autres que la réussite scolaire. Ainsi, cette réussite commence par une bonne orientation. Cependant, automatiser la tâche d'orientation revient à résoudre un problème de prédiction ou de recommandation. D'oùl'importance de donner au système éducatif la capacitéd'apprendre à recommander à partir des exemples existants sans être explicitement programmé. Cette façon de faire est appelée Machine Learning (Apprentissage Automatique).

même s'il est actuellement dopépar les nouvelles technologies et de nouveaux usages, le machine Learning n'est pas un domaine d'étude récent. On en trouve une première définition dès 1959, due à Arthur Samuel, l'un des pionniers de l'intelligence artificielle,

TABLE DES FIGURES TABLE DES FIGURES

Mémoire de Master II en Informatique 2 c~NJAMEN M. ZELKIF 2020-2021

qui définit le machine Learning comme « le champ d'étude visant à donner la capacitéàune machine d'apprendre sans être explicitement programmée ». En 1997, ~Eric and Michel

[4], de l'universitéde Carnegie Mellon, propose une définition plus précise : « A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E ».

Les systèmes de recommandation (SR) sont des outils logiciels basés sur l'apprentissage automatique (Machine Learning) et les techniques de récupération des informations (Data Mining) qui fournissent des recommandations pour des éléments potentiellement utiles dans l'intérêt de quelqu'un selon Nguyen et al. [5]. Ils sont largement utilisés dans de nombreux domaines, en particulier dans le commerce électronique. Récemment, ils sont également appliqués dans des tâches d'apprentissage en ligne telles que recommander des ressources (par exemple, des articles, des livres) aux apprenants (étudiants) et même des cours en fonction de leur performance et préférence comme dans Hanaa et al. [6].

Compte tenu de la raretédes conseillers d'orientation, malgrél'importance de cette activité, nous proposons dans ce mémoire une solution automatisée d'aide à la décision pour l'orientation scolaire.

Les systèmes d'orientation aujourd'hui se basent sur plusieurs critères pour orienter les élèves en classe scientifique ou littéraire. Ces critères sont : l'acquisition scolaire qui est la moyenne des notes obtenues dans les matières par groupe en classe de 3 ème; sur la batterie de tests d'aptitudes pour la classe de 3 ème; sur les préférences des parents et de l'élève et enfin de la disponibilitédes places dans l'établissement pour les classes sollicitées. Cependant, d'année en année nous remarquons une baisse du taux de réussite des élèves aux examens officiels. Cette baisse du taux de réussite est dûen majoritéà une mauvaise orientation scolaire. Face à ce problème, beaucoup ont tentés de proposer des systèmes de recommandation basésur le profil de l'apprenant et de ses préférences dans un système de e-learning. Comment appliquer l'apprentissage automatique dans la recommandation des choix de série dans l'enseignement?

Fort du constat fait sur l'importance des TIC dans l'enseignement-apprentissage, et de l'importance d'une bonne orientation dans le système éducatif, la présente étude tente de répondre à la question fondamentale suivante :

Comment faire une bonne orientation (recommandation) en tenant compte du profil de l'apprenant? Pour mieux appréhender cette question, il a

TABLE DES FIGURES TABLE DES FIGURES

Mémoire de Master II en Informatique 3 c~NJAMEN M. ZELKIF 2020-2021

étéformulédeux questions qui lui sont spécifiques :

· Quel profil d'apprenant pour quelle orientation?

· Quelle technique mettre en place afin de pouvoir faire une bonne recommandation et ainsi appuyer la décision du conseiller d'orientation?

L'objectif principal de notre recherche est de produire un modèle d'ap-prentissage sur des données académiques en vue de faciliter l'orientation et l'aide à la décision. Étant donnéla quasi inexistence d'une base d'exemple selon le contexte éducatif camerounais, nous pouvons donc subdiviser cet objectif en plusieurs sous-objectifs qui suivent :

1. Construction d'une base d'exemple permettant d'effectuer l'apprentissage automatique;

2. Proposition d'un modèle d'apprentissage à partir de la base d'exemple construite.

En ce qui concerne la méthode de travail, nous allons construire un data-set (ensemble de données pour l'apprentissage ou l'entrepôt de donnée) à partir des données récoltées dans différents établissements scolaires du Cameroun, labelliser ces données dans un cadre utiles pour la recommandation de l'orientation scolaire puis, appliquer les algorithmes de classifications existants et utilisés dans le Machine Learning déçu pour la création d'un modèle d'apprentissage. Ce data-set sera ouvert publiquement afin de permettre le développement d'algorithme de plus en plus sophistiquépour l'orientation scolaire au Cameroun.

Comme résultats attendus, à la fin de ce mémoire, nous proposerons un Framework pour la recommandation et l'orientation scolaire basésur le profil de l'apprenant.

Notre travail est subdiviséen quatre grands chapitres.

· Chapitre 1 : L'orientation Scolaire qui présente le travail du conseiller d'orientation et du processus d'orientation au Cameroun.

· Chapitre 2 : L'état de l'art qui présente les travaux qui ont étéfait dans le Machine Learning appliquéà l'orientation tant à l'international qu'au niveau national.

· Chapitre 3 : Démarche méthodologique qui présente la démarche suivit pour arriver à la solution. En outre, la conception de l'entrepôt des données.

·

TABLE DES FIGURES TABLE DES FIGURES

Mémoire de Master II en Informatique 4 c~NJAMEN M. ZELKIF 2020-2021

Chapitre 4 : Résultat et Discussion qui présente la performance du modèle choisi obtenue sur le jeu de données et une discussion sur ce résultat.

· Conclusion et Perspectives qui conclu ce travail de recherche et ouvre des nouvelles perspectives futures.

5

* *	Chapitre un	* *

L'ORIENTATION SCOLAIRE

1.1 Introduction

L'orientation, disent Guichard and Huteau [8] désigne à la fois les modalités de production et de reproduction de la division sociale et technique du travail et l'action de donner une direction déterminée à sa vie... « Scolairement, c'est conseiller un enfant sur le métier qu'il peut choisir » selon Chassagne [9]. L'orientation concerne les jeunes, leurs familles, de nombreux adultes qui doivent dans leur vie professionnelle se reconvertir. Elle est également au coeur des politiques d'éducation et d'emploi parce que l'école doit fournir à l'économie le personnel qualifiédont elle a besoin. Aussi la question de l'orien-tation occupe-t-elle depuis plus de cinquante ans une place majeure dans les décisions d'organisation du système éducatif. D'oùl'importance de l'étudier dans ce chapitre.