Approche proposée d’un système d’interrogation médical flexible

Table des matières

Remercîment
Dédicace
Résumé
Table des matières
Liste des figures
Liste des Tableaux
Introduction général
chapitre 1. Résumé linguistique
1.1 Introduction
1.2 Compression de données
1.2.1 Compression physique
1.2.2 Compression logique
1.3 Réduction sémantique de données
1.3.1 La réduction basée sur les méthodes statistiques
1.3.1.1 La réduction verticale
1.3.1.2 Réduction horizontale
1.3.1.3 Calcul d’agrégats
1.3.2 Approche basé sur les modèles
1.3.2.1 Le modèle de fouille de données
1.3.2.2 Les modèles basés sur les métadonnées
1.4 Résumé linguistique
1.4.1 Définition Variable linguistique
1.4.2 Théorie de l’ensemble flou
1.5 Résumé SaintEtiQ
1.5.1 Les étapes de la construction hiérarchique de résumés
1.5.1.1 Réécriture des données
1.5.1.2 Regroupement des données
1.6 Résumé de Yager
1.7 Résumé linguistique à base de calcul de la cardinalité floue
1.7.1 Principe de résumé linguistique à base de calcul de la cardinalité floue
1.7.2 Définition le Quantificateur flou
1.8 Conclusion
chapitre 2. Interrogation flexible des résumés linguistiques
2.1 Introduction
2.2 L’interrogation de la Base de données relationnel
2.2.1 Définition de la base de données
2.2.2 Système d’interrogation flexible
2.2.2.1 Système de personnalisation
2.2.2.2 Requête flexible
2.2.3 Requête floue
2.3 Système d’interrogation des résumés linguistiques
2.3.1 Le modèle SaintEtiQ
2.3.1.1 La Forme général de la requête
2.3.1.2 Évaluation des requêtes
2.3.2 Résumé de Yager
2.3.2.1 Langage d’interrogation de résumé Yager
2.3.3 Approche de L.Liétard
2.3.4 Résume linguistique à base de calcul de Cardinalité floue
2.3.4.1 La définition de résumé linguistique à base de calcul de la cardinalité floue
2.3.4.2 Quantité graduel
2.4 Conclusion
chapitre 3. La relation entre le résumé linguistique et la classification supervisée
3.1 Introduction
3.2 Extraction de connaissance à partir de données
3.2.1 Définition de Data Mining (Fouille de données)
3.2.1.1 L’estimation
3.2.1.2 La prédiction
3.2.1.3 Les règles d’association
3.2.1.4 La segmentation
3.2.1.5 Classification
3.3 La classification
3.3.1 L’apprentissage
3.3.1.1 L’apprentissage non supervisé
3.3.1.2 L’apprentissage semi-supervisé (par renforcement)
3.3.1.3 L’apprentissage supervisé
3.3.2 Principe de la classification
3.3.2.1 Définition d’une classe
3.3.2.2 Définition d’un classifieur
3.3.3 Classification supervisée
3.3.3.1 Risque réel
3.3.3.2 Risque empirique
3.4 Les méthodes de classification
3.4.1 Séparateurs à Vaste Marge
3.4.1.1 Principe
3.4.1.2 Ajustement
3.4.1.3 Avantages et inconvénients
3.4.2 Arbre de décision
3.4.2.1 Principale de l’arbre de décision
3.4.2.2 Avantages et inconvénients
3.4.3 Réseaux de neurone
3.4.3.1 Principe
3.4.3.2 Mise en oeuvre
3.4.3.3 Avantages et Inconvénients
3.4.4 Les plus proches voisins
3.4.4.1 Les distances
3.4.4.2 Avantages et inconvénients
3.5 Prédiction et le calcul de la distance métrique des résumés linguistique
3.5.1 Présentation de résumé linguistique
3.5.1.1 Les protoformes classiques
3.5.1.2 L’extension de protoforme de Yager
3.5.2 Evaluation de la similarité d’une protoforme classique
3.5.3 Similarité entre les ensembles des résumes linguistiques
3.5.3.1 Agrégation en utilisant opérateurs OWA
3.5.3.2 Agrégation de Intégral Sugeno
3.5.4 Résumés linguistiques différentiels
3.5.5 Travaux de littératures
3.6 Conclusion
chapitre 4. Conception d’un modèle médical à base de résumés linguistiques
4.1 Introduction
4.2 Matériels et méthodes
4.2.1 Langages et outils utilisés
4.2.2 Les bases de données
4.2.2.1 PIMA
4.2.2.2 Wisconsin Breast Cancer (WBCD)
4.2.2.3 Mammographie
4.2.3 Critères d’évaluation
4.3 Architecture d’un nouveau modèle de diagnostic médical
Aperçue sur l’application
4.4 Approche proposée des résumés linguistiques médicaux RLR-CardF
4.4.1 Implémentation le RLR-CardF sur une base de données médicale
4.4.2 Résultat et discutions
4.4.3 Aperçue sur l’application
4.5 Approche proposée d’un système d’interrogation médical flexible
4.5.1 Calcul le quantificateur flou par le produit scalaire
4.5.2 Calcul le quantificateur flou par le degré de vérité
4.5.3 L’approche proposé IFlex- RLR-CardF par le degré de validité
4.5.4 Aperçue sur l’application
4.6 Approche proposé d’un classifieur médical « Classifieur- RLR-CardF»
4.6.1 Schéma général de l’approche proposé « Classifieur- RLR-CardF »
4.6.2 Processus de développement, Classifieur- RLR-CardF
4.6.3 Aperçue sur l’application
4.7 Résultats et discussions
4.8 Comparaison de l’approche proposée avec les travaux de la littérature
4.9 Conclusion
Conclusion général
Bibliographie