• Matias Couste : SI5 Filière IHM
• Laure Gajetti : MAM5 Filère GMD
• Farouk El Kholy : Master IAM

1. Descriptif du projet
2. Equipements
3. Méthode des K-MEAN
4. Outils utilisés, support
5. Structure et hiérarchie du projet
6. Planning de développement
7. Utilisation de l'application
8. Résultat

Nous avons choisi de travailler sur une application pédagogique qui permettra aux étudiants de manipuler la méthode non-supervisée nommé “K-MEAN”(expliquer dans le paragraphe intitulé K-Mean). De plus les étudiants pourront travailler avec leur propre données d'entrées en faisant leur propre acquisition. Ils pourront ainsi découvrir des profils, et trouver leur propre interprétation, ce faire leur propre opinions de l'efficacité de la méthode suivant les paramètres utilisés et leur valeur. (Cette partie n'est pas terminée)

• Model: HTC 8S
• Personal phone: NON
• IMEI:353760058902026

• Definition

C'est une méthode de quantification vectorielle, populaire pour l'analyse de clusterdans l'exploration de données. Etant donnée un ensemble de point (x1,x2,…,xn) on cherche à partitionner ces n points en k ensemble S tel que : S={S1,S2,…Sk} avec k≤n. Ce qu'on veut c'est minimiser la distance entre les points à l'intérieur de chaque partition ce qui revient à minimiser :

arg min ∑∑ || Kj - μi ||^2 pour i=1…k et Kj∈Si Minimum sur S

• Initialisation

Il faut choisir k points qui représentent la position moyenne des partitions m1,m2…,mk initiales au hasard.

• Itération la boucle

On répète jusqu'a ce qu'il y ait convergence :

1. on prend chaque point on calcul la moyenne et on l'attribue à la partition la plus proche
2. à une étape t : Si ={Xj : ||Xj - mi|| ≤ || Kj - mï|| avec ï = 1,….k}
3. On fait ça pour tous les points
4. On met a jour chaque cluster : étape t+1 : mi = 1/|Si(étape t)|∑ Xj

• La condition d'arret

C'est lorsqu'on obtient la convergence, c'est à dire lorsque les partitions ne changent plus ou bien l'on peut fixer un paramètre epsilon. Quand l'écart entre deux étape est inférieur a epsilon on considère que les résultats sont satisfaisant.

• Système d'exploitation : Windows 10
• Logiciel : Visual Studio 2015
• Language de programmation : C#
• Bibliothèque Windows Phone
• Cours en relation plateforme Logicielle pour l'informatique Mobile
• Un HTC S8 Windows Phone version 8.1

(Partie en attente de traitement)

Découverte du module et constitution des groupes

Préparation des machines et initiation au logiciel visual Studio 2015 à l'aide d'un TP.

Suite installation machine (window 10 + ajout des packages manquants), poursuite du TP. Conception du projet, définition des objectifs.

Validation du projet : Application pédagogique à l'apprentissage de l'utilisation de la méthodes des K-Mean. Définition des tâches, répartition du travail, programmation des codes primaires.

Fin du développement des classes pour effectuer les premières acquisitions des données. Dans un première temps on stockera toutes les données obtenu de tous les capteurs possible du téléphone :

• GPS
• Boussole
• Accéléromètre
• Horloge
• Lumière
• …
• Préparation du téléphone (mise a jour, ajout composants manquants, activation wifi, résoudre les problèmes pour le connecter à notre machine).

• Récupération des données liés au capteur du téléphone.
• Traitement des données dans le sens pré-formatage dans le but de les adapter au K-Mean.
• Préparation de la méthode K-mean (compréhension, idées d'utilisation, données d'entrée données de sortie).

• Recherche d'une méthode de stockage pour les capteurs (choix entre DataBase sur cloud ou enregistrement fichier en .txt)
• Si possible enregistrement des données
• Test méthode des K-means + Affichage des résultats