Titre : | Extraction de Connaissances et Prédictions de Prix de Voitures Occasionlles | Type de document : | projet fin études | Auteurs : | Oumallal Youssef, Auteur | Langues : | Français (fre) | Catégories : | Internet des Objets et Services Mobiles ( IOSM )
| Mots-clés : | Apprentissageautomatique,Apprentissageprofond,k-nn,K-moyennes,
SVM, perceptron,RĂ©seauxdeneurones. | Index. dĂ©cimale : | mast 65/18 | RĂ©sumĂ© : | Ce projets’intéresseàlaproblématiquedelaprédictiondesvaleursréellesen
fonction d’uncertainnombredecaractéristiquesquiinfluencecettevaleur.
L’idée estdesedémarquerdelaméthodologiedominantequisebasesurl’uti-
lisation decaractéristiquesconçuesmanuellement,etdeproposerdesmodèlesqui
soientcapablesdeprédireautomatiquement.Ceciestfaitenproposantunmodèle
de réseaudeneurones.
Nous nousappuyonspourcefairesurdestravauxexistantssurlesmodèles
neuronaux pourl’estimationdevaleurréelles,etnousétudionsleurextensionau
cas deprédictiondeprixdevoiture.
Plus concrètement,nousproposonsdeuxmodèlesd’apprentissage:
— Un modèled’apprentissagesuperviséparrégression,quis’appuiesurune
étude derelationentredonnéesetsélectiondecaractéristiques,etentraine-
mentdemodèlepourprédictiondevaleur.
— Un modèled’apprentissageparréseaudeneurones,oùl’entréeestlesdon-
nées brutes,etl’algorithmequifaittoutletravailenaffectantdespoids
idéaux àl’ensemblededonnéesd’entrée.
Enfin, afindevaliderlagénéricitédesdeuxmodèlesproposés,ceux-ciontété
évaluéssuruneproblématiquedeprédictiondeprixdevoitures.
La premièresolutionadonnéunrésultatacceptable,ladeuxièmesolutionn’apas
aboutiàunbonrésultatàcausedumanquededonnées.
|
Extraction de Connaissances et Prédictions de Prix de Voitures Occasionlles [projet fin études] / Oumallal Youssef, Auteur . - [s.d.]. Langues : Français ( fre) Catégories : | Internet des Objets et Services Mobiles ( IOSM )
| Mots-clés : | Apprentissageautomatique,Apprentissageprofond,k-nn,K-moyennes,
SVM, perceptron,RĂ©seauxdeneurones. | Index. dĂ©cimale : | mast 65/18 | RĂ©sumĂ© : | Ce projets’intéresseàlaproblématiquedelaprédictiondesvaleursréellesen
fonction d’uncertainnombredecaractéristiquesquiinfluencecettevaleur.
L’idée estdesedémarquerdelaméthodologiedominantequisebasesurl’uti-
lisation decaractéristiquesconçuesmanuellement,etdeproposerdesmodèlesqui
soientcapablesdeprédireautomatiquement.Ceciestfaitenproposantunmodèle
de réseaudeneurones.
Nous nousappuyonspourcefairesurdestravauxexistantssurlesmodèles
neuronaux pourl’estimationdevaleurréelles,etnousétudionsleurextensionau
cas deprédictiondeprixdevoiture.
Plus concrètement,nousproposonsdeuxmodèlesd’apprentissage:
— Un modèled’apprentissagesuperviséparrégression,quis’appuiesurune
étude derelationentredonnéesetsélectiondecaractéristiques,etentraine-
mentdemodèlepourprédictiondevaleur.
— Un modèled’apprentissageparréseaudeneurones,oùl’entréeestlesdon-
nées brutes,etl’algorithmequifaittoutletravailenaffectantdespoids
idéaux àl’ensemblededonnéesd’entrée.
Enfin, afindevaliderlagénéricitédesdeuxmodèlesproposés,ceux-ciontété
évaluéssuruneproblématiquedeprédictiondeprixdevoitures.
La premièresolutionadonnéunrésultatacceptable,ladeuxièmesolutionn’apas
aboutiàunbonrésultatàcausedumanquededonnées.
|
|