Luận văn thực hiện mô hình lọc dữ liệu - Nghiên cứu của Félix-Bazin tại Việt Nam

Nghiên cứu về việc hiện thực hóa một mô hình lọc dữ liệu hiệu quả, phân tích các phương pháp và kỹ thuật tiên tiến để tối ưu hóa quá trình xử lý thông tin.

• Tác giả: Polla De Ndjampa Félix-Bazin
• Người hướng dẫn: Dr Fraboulet Laudy Claire, Ingénieur domaine Algorithmie
• Trường học: Université Nationale du Vietnam, Hanoi - Institut Francophone International
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Realisation D’un Modèle De Filtrage De Données
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hanoi

Tóm tắt

I. Tìm Hiểu Về Mô Hình Lọc Dữ Liệu Tại Sao Quan Trọng Trong Kỷ Nguyên Dữ Liệu Lớn

Trong bối cảnh bùng nổ của dữ liệu lớn, việc trích xuất thông tin có giá trị trở nên vô cùng cấp thiết. Một trong những giải pháp nổi bật là việc thiết lập mô hình lọc dữ liệu. Đây không chỉ là một công cụ kỹ thuật, mà còn là nền tảng cốt lõi cho các hệ thống hỗ trợ ra quyết định hiệu quả. Nghiên cứu tập trung vào việc khai thác dữ liệu và quản lý các cơ sở tri thức lớn có cấu trúc, đặc biệt trong các lĩnh vực yêu cầu độ chính xác cao như hàng không. Mục tiêu chính là cải thiện phương pháp hợp nhất thông tin và xác định hành vi chung của một tập hợp dữ liệu, dẫn đến sự ra đời của các mô hình tình huống chất lượng. Việc tạo dựng một mô hình lọc dữ liệu vững chắc giúp chuyển đổi khối lượng dữ liệu khổng lồ thành tri thức hữu ích, phục vụ các quyết định chiến lược.

1.1. Định Nghĩa Cơ Bản về Mô Hình Lọc Dữ Liệu và Vai Trò Thiết Yếu

Mô hình lọc dữ liệu được định nghĩa là một tập hợp thông tin mô tả tốt nhất một tình huống hoặc tập hợp các quan sát cụ thể. Vai trò thiết yếu của nó là trích xuất những thông tin phù hợp và có liên quan từ một cơ sở tri thức lớn, đáp ứng các quan sát cụ thể. Ví dụ, trong lĩnh vực hàng không, một mô hình lọc dữ liệu có thể xác định các mẫu hành vi bất thường từ dữ liệu chuyến bay, từ đó hỗ trợ phi công hoặc kiểm soát viên không lưu đưa ra quyết định kịp thời. Nó đóng vai trò cầu nối giữa dữ liệu thô và tri thức ứng dụng, đảm bảo rằng chỉ những thông tin có giá trị nhất mới được đưa vào quá trình phân tích và ra quyết định. Mục đích cuối cùng là tinh giản dữ liệu, loại bỏ nhiễu và làm nổi bật các mối quan hệ ẩn tàng.

1.2. Bối Cảnh Nghiên Cứu và Thách Thức Khi Xây Dựng Hệ Thống Tri Thức Lớn

Nghiên cứu của POLLA DE NDJAMPA Félix-Bazin năm 2015 nhấn mạnh việc giải quyết các vấn đề liên quan đến việc thu thập và khai thác dữ liệu từ các cơ sở tri thức lớn có cấu trúc, đặc biệt để hỗ trợ quá trình ra quyết định trong lĩnh vực hàng không. Thách thức lớn nhất nằm ở việc thiết kế một hệ thống tri thức có khả năng thực hiện chức năng suy luận phức tạp. Điều này đòi hỏi không chỉ việc lưu trữ dữ liệu mà còn phải có khả năng hiểu, liên kết và suy diễn từ dữ liệu đó. Việc đối phó với sự phức tạp và quy mô của dữ liệu lớn trong các hệ thống như vậy là một rào cản đáng kể. Do đó, việc phát triển một mô hình lọc dữ liệu mạnh mẽ là cần thiết để biến dữ liệu thành tri thức có thể hành động, giảm thiểu gánh nặng thông tin và tăng cường hiệu quả vận hành.

II. Giải Quyết Thách Thức Khai Thác Dữ Liệu Phương Pháp Xây Dựng Mô Hình Lọc Hiện Đại

Việc giải quyết những thách thức trong khai thác dữ liệu đòi hỏi một phương pháp tiếp cận có cấu trúc và hiện đại. Luận văn đề xuất một quy trình gồm bốn bước để thiết lập mô hình lọc dữ liệu, hướng đến việc xác định hành vi chung của một tập hợp dữ liệu. Phương pháp này không chỉ tập trung vào việc thu thập mà còn vào việc biến đổi dữ liệu thô thành các mô hình tình huống có ý nghĩa. Sự thành công của phương pháp này phụ thuộc vào khả năng tích hợp các công nghệ biểu diễn và học hỏi tri thức tiên tiến. Bằng cách áp dụng các bước rõ ràng, việc xây dựng một mô hình lọc dữ liệu trở nên có hệ thống, từ đó nâng cao độ tin cậy và hiệu quả của thông tin được lọc. Điều này đặc biệt quan trọng trong các môi trường phức tạp, nơi quyết định nhanh chóng và chính xác là yếu tố then chốt.

2.1. Thiết Kế Cơ Sở Tri Thức Nền Tảng Vững Chắc Cho Mô Hình Lọc Dữ Liệu

Bước đầu tiên và quan trọng nhất trong việc xây dựng một mô hình lọc dữ liệu là thiết kế cơ sở tri thức. Đây là nền tảng mà trên đó toàn bộ hệ thống sẽ hoạt động. Việc thiết kế này bao gồm việc xác định các khái niệm, mối quan hệ và quy tắc liên quan đến miền dữ liệu. Một cơ sở tri thức được thiết kế tốt cần phải có khả năng biểu diễn thông tin một cách rõ ràng và có cấu trúc, hỗ trợ chức năng suy luận. Theo luận văn, việc thiết kế này cho phép hệ thống hiểu và xử lý dữ liệu một cách thông minh, vượt ra ngoài khả năng của các hệ thống cơ sở dữ liệu truyền thống. Sự chặt chẽ trong thiết kế cơ sở tri thức đảm bảo rằng mô hình lọc dữ liệu có thể hoạt động hiệu quả, cung cấp các kết quả chính xác và đáng tin cậy.

2.2. Thu Thập và Trích Xuất Dữ Liệu Quan Sát Bước Đầu Của Quy Trình Lọc

Sau khi cơ sở tri thức được thiết kế, bước tiếp theo là thu thập và trích xuất các quan sát (retrieve observations). Giai đoạn này tập trung vào việc lựa chọn và chuẩn bị dữ liệu đầu vào mà mô hình lọc dữ liệu sẽ xử lý. Việc trích xuất dữ liệu quan sát cần phải chính xác và đầy đủ, vì chúng sẽ là cơ sở cho các quá trình học hỏi và suy luận tiếp theo. Trong bối cảnh hàng không, các quan sát này có thể bao gồm dữ liệu từ cảm biến, nhật ký chuyến bay hoặc báo cáo sự cố. Khả năng xác định và thu thập dữ liệu có liên quan một cách hiệu quả là yếu tố quyết định đến chất lượng của mô hình tình huống được tạo ra sau này. Một quy trình thu thập và trích xuất dữ liệu được tối ưu hóa giúp đảm bảo rằng mô hình lọc dữ liệu hoạt động trên một tập hợp thông tin đáng tin cậy.

III. Cách Học Hỏi và Suy Luận Tri Thức Tối Ưu Mô Hình Lọc Với Ontology và PLI

Để tạo ra một mô hình lọc dữ liệu thông minh và hiệu quả, việc học hỏi và suy luận tri thức từ dữ liệu là yếu tố cốt lõi. Nghiên cứu đã tập trung vào việc cải thiện phương pháp hợp nhất thông tin bằng cách sử dụng các công nghệ tiên tiến như Ontology và Lập trình Logic Quy nạp (PLI). Các công nghệ này cho phép hệ thống không chỉ lưu trữ dữ liệu mà còn hiểu được ngữ nghĩa và các mối quan hệ phức tạp giữa chúng. Việc tích hợp Ontology và PLI giúp mô hình lọc dữ liệu có khả năng học hỏi từ các quan sát, rút ra các quy tắc và mối quan hệ ẩn. Quá trình này là nền tảng để tạo ra các mô hình tình huống chất lượng, phản ánh chính xác hành vi chung của dữ liệu, từ đó nâng cao đáng kể năng lực của hệ thống hỗ trợ ra quyết định.

3.1. Ứng Dụng Ontology OWL Trong Biểu Diễn và Học Hỏi Tri Thức Có Cấu Trúc

Ontology, đặc biệt là trong ngôn ngữ OWL (Web Ontology Language), đóng vai trò trung tâm trong việc biểu diễn tri thức có cấu trúc. Theo tài liệu, Ontology cung cấp một khung ngữ nghĩa để định nghĩa các khái niệm, thuộc tính và mối quan hệ trong một miền cụ thể, chẳng hạn như hàng không. Điều này cho phép hệ thống hiểu được ý nghĩa thực sự của dữ liệu, chứ không chỉ là các giá trị thô. Việc học hỏi trên các Ontology (OWL) giúp hệ thống xây dựng và tinh chỉnh cơ sở tri thức một cách tự động, từ đó cải thiện khả năng lọc và suy luận. Khi được tích hợp vào mô hình lọc dữ liệu, Ontology đảm bảo rằng các thông tin được trích xuất không chỉ phù hợp về mặt cú pháp mà còn cả về mặt ngữ nghĩa, tăng cường độ chính xác của mô hình tình huống.

3.2. Vai Trò Của Lập Trình Logic Quy Nạp PLI Để Tạo Mô Hình Tình Huống Hiệu Quả

Lập trình Logic Quy nạp (PLI) là một kỹ thuật mạnh mẽ cho phép hệ thống học hỏi các quy tắc và mẫu từ các ví dụ. PLI đặc biệt phù hợp để suy luận tri thức và học hỏi tri thức từ các Ontology. Trong ngữ cảnh của luận văn, PLI được sử dụng để học hỏi hoặc suy luận tri thức từ các quan sát đã thu thập, sau đó tạo ra các mô hình tình huống. Các mô hình tình huống này là tập hợp thông tin mô tả tốt nhất một tình huống hoặc hành vi cụ thể của dữ liệu. Khả năng của PLI trong việc xử lý các quan hệ logic phức tạp giúp mô hình lọc dữ liệu phát hiện các mẫu ẩn và xây dựng các quy tắc lọc thông minh, góp phần đáng kể vào việc tạo ra các mô hình tình huống chính xác và có giá trị cao cho các hệ thống hỗ trợ ra quyết định.

IV. Đánh Giá Hiệu Quả Thực Tế Ứng Dụng Mô Hình Lọc Dữ Liệu Trong Các Kịch Bản Khác Nhau

Để chứng minh tính hiệu quả của phương pháp đề xuất, nghiên cứu đã tiến hành các thực nghiệm chi tiết và phân tích kết quả. Việc đánh giá hiệu quả thực tế của mô hình lọc dữ liệu là rất quan trọng để xác nhận khả năng của nó trong việc xử lý dữ liệu lớn và hỗ trợ quá trình ra quyết định. Các thử nghiệm được thực hiện trong nhiều kịch bản khác nhau, cho phép kiểm tra độ tin cậy và độ chính xác của mô hình tình huống được tạo ra. Những kết quả thu được không chỉ xác nhận giá trị của phương pháp mà còn mở ra những triển vọng mới cho việc ứng dụng mô hình lọc dữ liệu trong các lĩnh vực phức tạp. Sự cải thiện về độ chính xác và khả năng xác định hành vi chung của dữ liệu đã khẳng định tính đột phá của công trình.

4.1. Thực Nghiệm và Phân Tích Kết Quả Minh Chứng Cho Khả Năng Lọc Dữ Liệu

Luận văn trình bày các phần về 'Thực nghiệm và phân tích kết quả' (Expérimentation et analyses des résultats), bao gồm việc 'Trình bày các trường hợp nghiên cứu' và 'Thông số thực nghiệm'. Các mô hình lọc dữ liệu đã được kiểm tra trên các kịch bản cụ thể để đánh giá hiệu suất của chúng. Kết quả thực nghiệm cho thấy phương pháp đề xuất có khả năng học hỏi và tạo ra các mô hình tình huống với độ chính xác cao. Việc phân tích kỹ lưỡng các kết quả từ kịch bản 1 và kịch bản 2 đã cung cấp bằng chứng cụ thể về khả năng lọc và tổng hợp thông tin từ cơ sở tri thức lớn. Sự thành công của các thực nghiệm này là minh chứng rõ ràng cho hiệu quả của mô hình lọc dữ liệu trong việc trích xuất tri thức có giá trị.

4.2. Thành Tựu Vượt Trội của Phương Pháp Cải Thiện Hợp Nhất Thông Tin và Độ Chính Xác

Kết quả nghiên cứu cho thấy những thành tựu vượt trội trong việc cải thiện phương pháp hợp nhất thông tin. Các thử nghiệm đã chứng minh rằng mô hình lọc dữ liệu được đề xuất có khả năng xác định hành vi chung của một tập hợp dữ liệu một cách hiệu quả. Một trong những điểm nổi bật là sự cải thiện đáng kể về độ chính xác của mô hình tình huống cuối cùng. Theo tài liệu, kết quả này là một bước đột phá cho việc đề xuất các mô hình tình huống đến người dùng. Khả năng xử lý cơ sở tri thức lớn và đưa ra các kết quả đáng tin cậy, như đã được thể hiện qua các thực nghiệm, khẳng định tiềm năng to lớn của phương pháp này trong việc nâng cao hiệu quả của hệ thống hỗ trợ ra quyết định.

V. Tương Lai Của Mô Hình Lọc Dữ Liệu Định Hướng Phát Triển và Tiềm Năng Mở Rộng

Việc thiết lập mô hình lọc dữ liệu không chỉ là một thành tựu hiện tại mà còn mở ra nhiều hướng đi mới cho nghiên cứu và phát triển. Tương lai của mô hình lọc dữ liệu hứa hẹn những cải tiến đáng kể, đặc biệt trong việc nâng cao độ chính xác và khả năng ứng dụng trong các môi trường phức tạp hơn. Định hướng phát triển sẽ tập trung vào việc tinh chỉnh các mô hình tình huống và mở rộng phạm vi khai thác dữ liệu. Tiềm năng mở rộng của mô hình lọc dữ liệu là rất lớn, không chỉ giới hạn trong lĩnh vực hàng không mà còn có thể áp dụng vào nhiều ngành công nghiệp khác. Sự tiến bộ không ngừng trong các công nghệ như Ontology và Lập trình Logic Quy nạp sẽ tiếp tục củng cố và phát triển các mô hình lọc dữ liệu, hướng tới một kỷ nguyên nơi dữ liệu được chuyển đổi thành tri thức một cách thông minh và tự động.

5.1. Những Cải Tiến Tiềm Năng Để Hoàn Thiện Mô Hình Lọc Dữ Liệu

Để hoàn thiện mô hình lọc dữ liệu đã đạt được, luận văn cũng xem xét các cải tiến tiềm năng. Một trong những đề xuất là tính đến sự phát triển của Ontology hoặc các Ontology khác. Điều này cho phép cơ sở tri thức thích ứng với thông tin mới và mở rộng khả năng suy luận. Ngoài ra, việc cung cấp một số lượng mô hình tình huống giảm đi, nhưng có phạm vi bao phủ tốt hơn, cũng là một hướng cải tiến quan trọng. Điều này giúp người dùng dễ dàng tiếp nhận và sử dụng các mô hình tình huống hơn. Những cải tiến này sẽ tiếp tục tinh chỉnh mô hình lọc dữ liệu, nâng cao hiệu suất và khả năng thích ứng của nó trong các môi trường dữ liệu lớn năng động, đảm bảo tính bền vững và hiệu quả lâu dài.

5.2. Hướng Đi Mới Mở Rộng Ứng Dụng và Nâng Cao Khả Năng Suy Luận Của Hệ Thống

Hướng đi mới cho mô hình lọc dữ liệu bao gồm việc mở rộng ứng dụng sang các lĩnh vực khác ngoài hàng không, nơi nhu cầu về hệ thống hỗ trợ ra quyết định dựa trên dữ liệu là rất cao. Đồng thời, việc nâng cao khả năng suy luận của hệ thống tri thức là một mục tiêu chiến lược. Điều này có thể đạt được thông qua việc tích hợp các phương pháp học máy tiên tiến hơn và cải thiện cơ chế hợp nhất thông tin. Khả năng của mô hình lọc dữ liệu trong việc tự động điều chỉnh và tối ưu hóa dựa trên dữ liệu mới sẽ là yếu tố then chốt. Việc tiếp tục nghiên cứu và phát triển các kỹ thuật khai thác dữ liệu phức tạp sẽ giúp mô hình lọc dữ liệu trở thành một công cụ không thể thiếu trong việc quản lý và chuyển đổi thông tin, mang lại giá trị to lớn cho mọi ngành nghề.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIORALE DU VIETNAM, HANOL INSTITUT FRANCOPHONE INTERNATIONAL POLLA DE NDJAMPA Félix-Bazin REALISATION D’UN MODELE DE FILTRAGE DE DONNEES ‘THIET LAP MOT MO HINH LOC DU LIEU MEMOTRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI— 2015, [—— UWW——— ERSITERATIONALEDUVIETNAM,HANOI INSTITUT FRANCOPHONE INTERNATIONAL POLLA DE NDJAMPA FELIX-BAZIN REALISATION D’UN MODELE DE FILTRAGE DE DONNEES THIET LAP MOT MO HINH LOC DU LIEU Spécialité: Systémes Intelligents et Multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Dr FRABOULET LAUDY Claire, Ingénieur domaine Algorithmie Dr MA Yue, Maitre de Conférences de Polytech (LRI) Lu et validé, bon pour soutenance tu & valid Dou Por Srrfonang Xe HANOI - 2015 ATTESTATION SUR L'HONNEUR Patlesic sur ’hormour que ee mémoire a été réalisé par moi-méme ol que les données et les résultats qui y sont présentés sont exacts et n’ ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée. LOLCAM DOAN Tôi cam doan dây là công trình nghiên cửu cúa riêng tỗi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa tùng được ai công bố trong bất kỳ công trình nảo khác. Các thông tin trích dẫn trong I.uận văn đã dược chỉ rõ nguồn gốc Signature de I étudiant POLLA DE NDJAMPA Félix-Bazin Table des matiéres ‘Table des matières.

cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1. Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2.

Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion. Ftape de génération du madéle de situation 2.

Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Abstract Tn this work, we focus on the acquisition and exploitation of large structured knowledge bases problems for supporting the decision making process in the aeronautics fields. We also focus our study on the improvement of information fusion method proposed by (Claire e al, 2007). Particularly, we worked on the explollatiorr of the knowledge databases im order lo determine the common behavior of a set of data.

Our proposed approach is divided into four steps: design the knowledge databases, retrieve observalions, leam or infer knowledge fram these comments, and timally generate situation models. The situation model is a sct of information that best describes a particular situation or set of observations. In other words, the situation model is the extraction of relevant information that corresponds to some observations in the knowledge database The design of knowledge system that be able to perform reasoning function is a challenging field of research in artificial intelligence. The aim of our proposed approach is lo create and enhance a structured knowledge database thal belong to the data paradigm related to the Semantic Web formalisms (OWL2) and conceptual graphs.

Then, we proposed a leaming algorithm based on the Inductive Logic Programming (LP) in order to determine the common information for a data group (situation model) The results of our approach are satisfying according to the expert and in addition, the proposed algorilhm is able to identify situation models whose accuracy on other data is very close to the accuracy of the resulting model (difference of 4 percents). ‘hese results represent a breakthrough for a proposal of situation models to users. But olher improvements are considered im order to refine the situation models obtained. As improvements, we van take into account the evolution of ontolegy or other ontologies.

One can also provide a reduced number of situation models to enable better coverage. Keywords: Ontology, inductive logic programming, information fusion vũ Remerclements Nơus lenons ả saisir cette occasion pour adresser nos profonds remerciements et nolre profonde reconm: * Mme Claire LALDY, Mme Gaélle LORTAL et Mme Yue MA, pour leurs précicux conseils el leurs orientations toul au long de notre recherche. = Tout le personnel du laboratoire LRASC de ‘Thales Research& Technology et celui du laboratoire LRI - Equipe LalIDAK pour leur assistance sur le lieu de stage * ‘Tous les professeurs de FKL, qui ont assuré notre formation durant ces deux demiéres années Fnifin, j’adresse mes plus sincéres remerciements 4 ma famille, quả m°a toujours soutenuc ct encouragée au cours de la réalisation de oc mémoire Je remercie les persormes qui ont, a des degrés dive! , comtttbud a Paboulissement. de ce avail v 2.41 DŒhiition de quelques noflons.42 Défmition de Vopérateur de reffinement 2.3 Propriétés de Vopérateur de raffmement 2.4 Preuve des propriétés de lopéraieur de raffinemeni.45 Algorithme d’obtention de modéles Conchision Chapitre 3 Tixpérimentation et analyses des résultats 31.

Présentation des cas d’étude. Les paramétres d'expérimentations. Résultats dexpérimentations et interpretations 3. Résultal du scénario 1 iv 3.

Tnterprétations des résultats du seérariol t2 iv 3. Résultat du scénario 2 in i 3. Interprétations des résultats du scénario 2 i2 Conclusion, Perspectives. Liste des tableaux ‘Tableau 1 Comparaison GC et W L2.

Tableau 2: Comparaison DT.-leamer, DE-foil el YINYANG- ‘Tableau 3: Description concernant l'ontologie utilisée pour les expérimentations. Paramétres dfentrée pour la génération de modéles de silualion Tableau 5: Résultats d'apprentissage du scénaric 1. Tableau 6 Modéles de situation du seénarial 33 Tableau 7: Resultats d'apprentissage du scénario 2.ccecsenseenenaessetnanees Tableau 8: Modèlos dc sitzation du sướnario 2. chen ix Abstract Tn this work, we focus on the acquisition and exploitation of large structured knowledge bases problems for supporting the decision making process in the aeronautics fields.

We also focus our study on the improvement of information fusion method proposed by (Claire e al, 2007). Particularly, we worked on the explollatiorr of the knowledge databases im order lo determine the common behavior of a set of data. Our proposed approach is divided into four steps: design the knowledge databases, retrieve observalions, leam or infer knowledge fram these comments, and timally generate situation models. The situation model is a sct of information that best describes a particular situation or set of observations.

In other words, the situation model is the extraction of relevant information that corresponds to some observations in the knowledge database The design of knowledge system that be able to perform reasoning function is a challenging field of research in artificial intelligence. The aim of our proposed approach is lo create and enhance a structured knowledge database thal belong to the data paradigm related to the Semantic Web formalisms (OWL2) and conceptual graphs. Then, we proposed a leaming algorithm based on the Inductive Logic Programming (LP) in order to determine the common information for a data group (situation model) The results of our approach are satisfying according to the expert and in addition, the proposed algorilhm is able to identify situation models whose accuracy on other data is very close to the accuracy of the resulting model (difference of 4 percents). ‘hese results represent a breakthrough for a proposal of situation models to users.

But olher improvements are considered im order to refine the situation models obtained. As improvements, we van take into account the evolution of ontolegy or other ontologies. One can also provide a reduced number of situation models to enable better coverage. Keywords: Ontology, inductive logic programming, information fusion vũ Table des matiéres ‘Table des matières.

cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1. Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2.

Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion. Ftape de génération du madéle de situation 2.

Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Liste des figures Figure 1: Exemple de graphe conceptuel. LẠ Hà HH n0 HH2 Hee, Tigure 2 : Rosultats expérimentaux de DT.-Foil en lermes de mesures TR standards moyennos + écart type [min ;max|. Figure 3: Architecture de DI.

learner Figure 4: ftape de génération de madéle de situation Figure 5: Visualisation graphique de ’ontologie ASRS. Figure 6; Exemple de requéte SPARQL. Figure ?: Résultal đe TT, learner avec comme exemple <<T.es incidents ambigus>> Figure 8: Opérateur utilisé pour le langage de Fopérateur de raffinement Figure 9: Définition de l'opérateur de raffinement *Figue 10: [llustration dhune recherche par raffinennent d'opóratet. Figure 11: Illustration de la redondance de p 4 Figue 12 Bxemple de requẽte SPARQL correspondant qu so&uario L.

„30 Figure 13° Excmple de requéte SPARQI, correspondant au seénario 2 30 Figure 14; Dilférence d’ exactitude entre les données dapprentissage ol celle de losis (Scénario! ) 34 Figure 15° Difference d’exactitude entre les dormées d'apprentissage et celle de Lests (Scénario2) viii Résumé L'étude qui est proposée dans ce mémoie s'intéresse aux problémes acquisition et d'exploitation de bases de connaissances structurées de grande taille, en vue d'appuyer le processus décisionnel dans des domaines aéronautique et aussi @améliorer celui de Ja fusion dinformalion qui est proposée dans (Claire et al, 2007). Dans le cadre précis de nos travaux, nous sommes attachés a l'exploitation des bases de connaissance afin de déterminer des comportements communs que présente un cusemble de dorm Notre approche esl divisée en 4 élapes : concevoir la base de connaissance, extraire des observations, apprendre ou inférer des connaissances 4 partir de ces observations et enfin générer des modéles de situation.e modele de situation ost un ensemble d’informations qui décril. au micux unc siluation précise ou un ensemble d’observations en d’autre terme le modéle de situation est une extraction des informations pertinentes correspondant A des observations dans une base de connaissance.a conception de systéme A bases de connaissances capable de réaliser les fonctions de raisonnements constitue 4 Pheure actuelle un champ dé recherche en intelligence artificielle. Llapproche que nous avons proposée au cours de notre stage consiste & order ot enrichir une base de connaissances structurée reposant sur le paradigme des données liges aux formalismes du Web Sémantique (OWL) et aux graphes conoepluels Ensuite, un algorithme d'apprentissage fondé sur la Programmation Logique Induetive (PLD) est proposé pour déterminer les informations communes et pertinentes pour un groupe de données.

La sortie de l’algorithme est done qualifiée de modéles de situation Les résultats obtenus par notre approche sont satisfaisant au dire d'expert et on plus, I'algorithme propos¢ réussit 4 déterminer des modéles de situation dont la prévision sur Paulres données st Irés proche de la précision du madéle oblenu (difference de 4%). Ces résultats constituent une avancée pour ume proposition des modéles de situation aux utilisateurs. Mais d'autres améliorations sont a prendre en compte afin de rafliner les modcles de situation obtenus. Conuoe améliorations, or peut prendre en compte l’évolution de I’ontologie ou d'autres ontologies On peut aussi proposer un nombre réduit de modéles de situation afin de permettre une meilleure couverture de tous les exemples d'apprentissage.

‘Mots clés : Ontologie, programmuation logique inductive, fusion dinformmation ví Table des matiéres ‘Table des matières. cece coi Liste des Ïigures. Liste des tableaue. Chapire 1 ww Synthése bibliographique Contexts eww 1.

Langages de représentation des connaissances 1.12 Langage du Web Sémantque wea 1.13 Tableau comparatif des GC et OWL2 1⁄2. Généralités sur la programmation logique inductive (PLI). 122 Apprentissage sur des ontologies (OWL). ‘Tableau comparatif, Couclusion.

Ftape de génération du madéle de situation 2. Htapel : Modélisation de la base de connaissance 2. Ftape 2: Extraction @exemples positis Remerclements Nơus lenons ả saisir cette occasion pour adresser nos profonds remerciements et nolre profonde reconm: * Mme Claire LALDY, Mme Gaélle LORTAL et Mme Yue MA, pour leurs précicux conseils el leurs orientations toul au long de notre recherche. = Tout le personnel du laboratoire LRASC de ‘Thales Research& Technology et celui du laboratoire LRI - Equipe LalIDAK pour leur assistance sur le lieu de stage * ‘Tous les professeurs de FKL, qui ont assuré notre formation durant ces deux demiéres années Fnifin, j’adresse mes plus sincéres remerciements 4 ma famille, quả m°a toujours soutenuc ct encouragée au cours de la réalisation de oc mémoire Je remercie les persormes qui ont, a des degrés dive!