Différences

Ci-dessous, les différences entre deux révisions de la page.

--- cours:plim:alglib:start [2016/10/14 06:36] – [Exemple de mise en oeuvre] tigli
+++ cours:plim:alglib:start [2016/10/19 14:00] (Version actuelle) – [Exemple de mise en oeuvre] dartigues
@@ Ligne 27: / Ligne 27: @@
 ==== AlgLib et Analyse de Données ====
 Comme indiqué ci-dessus, AlgLib fournit des librairies pour l'analyse de données. La liste et le manuel se trouvent sur ce [[http://www.alglib.net/translator/man/manual.csharp.html#pck_DataAnalysis|site]].
@@ Ligne 49: / Ligne 50: @@
 ==== Exemple de mise en oeuvre ====
-Sans anticiper sur votre choix, nous allons présenter ici quelques exemples de mise en oeuvre d'AlgLib pour l'analyse de données.
+Sans anticiper sur votre choix, nous allons présenter ici un exemple de mise en oeuvre d'AlgLib pour l'analyse de données.
 === Mise en oeuvre de l'Algorithme du K-means ===
@@ Ligne 55: / Ligne 56: @@
 L'algorithme du K-means ou K-Moyennes en français est particulièrement simple et pourtant assez performant pour certains problème de classification de données (ou clustering en anglais).
-L'algorithme peut être résumé en une phrase :
+Cet algorithme tient sur peu de lignes, vous pouvez donc trouver des sources intégrales qui l'implémente comme sur [[http://www.codeproject.com/Articles/985824/Implementing-The-K-Means-Clustering-Algorithm-in-C|K Means Clustering Algorithm en C]]. Dans ce cas, le code est donc embarquable sur votre SmartPhone .... pour les inconditionnels du "tout local".
-//Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.//
+L'algorithme du K-means peut se résumer ainsi en 4 étapes :
+  - Choisir k objets formant ainsi k clusters
+  - Ré)affecter chaque objet O au cluster Ci  de centre Mi tel que dist(O,Mi) est minimal
+  - Recalculer Mi de chaque cluster (le barycentre)
+  - Aller à l’étape 2 si on vient de faire une affectation
+Voici une vidéo illustrative de l'évolution des clusters au fur et à mesure des itérations de l'algorithme ([[https://youtu.be/BVFG7fd1H30|video]]). Plusieurs exécutions sont présentées avec des collections de données variables et des K (nombre de clusters souhaité) différents. Vous pouvez constater l'influence du choix des points de départ affectés aléatoirement aux clusters initiaux.
+=== Implémentation du K-means en C# avec AlgLib ===
+Un exemple d'utilisation d'AlgLib pour la mise en oeuvre de K-means en C# se trouve sur cette [[http://www.alglib.net/translator/man/manual.csharp.html#example_clst_kmeans|page]].
+Cet exemple largement perfectible a été modifié pour ce tutorial. Il est commenté en français et intégré dans un projet Visual Studio C# se trouve dans le  {{:cours:plim:alglib:exemple_alglib_kmeans_c_.zip|fichier}} contenant déjà la librairie AlgLib dans une dll.
+Bien sûr il vous faudra utilise un Visual Studio déjà installé sur votre machine pour le Tutorial.
+Nous vous rappelons que Visual Studio 2015 Community est gratuit pour les étudiants. Vous pourrez le télécharger  [[https://www.visualstudio.com/downloads/|ici]].
+Pour les détenteurs de Mac, il faudra se rabattre sur Visual Studio Code sur la même page.
+=== Travail proposé sur ce tutorial ===
+Améliorez le en  :
+  * rajoutant le chargement du DataSet depuis un fichier (excel, csv ...le format est laissé à votre choix). Ceci vous permettra quelque soit l'algorithme de votre projet de visualiser les données bruts issues de votre SmartPhone.
+  * rajoutant la sauvegarde des k clusters (k défini interactivement) dans un fichier (excel, csv ...le format est laissé à votre choix). Ceci vous permettra quelque soit l'algorithme de votre projet de visualiser les clusters issus de l'analyse.
+  * rajoutant différents méthodes d'affichage des données et des clusters :
+    * textuelles (System.Console.Write)
+    * graphiques (avec les Winforms par exemple)
+Les plus avancé pourront ainsi produire un simulateur, en affichant le résultats à chaque appel de l'algorithme avec des collections de données et un nombre de clusters différents.
+=== Transparents Cours Intro Data Mining ===
-Voici une vidéo illustrative de l'évolution des clusters au fur et à mesure des itérations, pour des collections de données variables et un K (nombre de clusters souhaité) différents ([[https://youtu.be/BVFG7fd1H30|video]]).
+{{:cours:plim:alglib:intro_data_mining.pptx|}}