Apprentissage supervisé de données symboliques et l'adaptation aux données massives et distribuées

Supervised learning of Symbolic Data and adaptation to Big Data

• Auteur / Autrice : Raja Haddad
• Direction : Witold Litwin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 23/11/2016
• Etablissement(s) : Paris Sciences et Lettres (ComUE)
• Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
• Partenaire(s) de recherche : Etablissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....)
• Partenaire(s) de recherche : Entreprise : Syrokko (Tremblay en France (France))
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision (Paris)
• Jury : Président / Présidente : Darrell Long
• Jury : Examinateurs / Examinatrices : Darrell Long, Philippe Rigaux, Rosanna Verde, Edwin Diday, Daniela Grigori, Filipe Afonso
• Jury : Rapporteurs / Rapporteuses : Philippe Rigaux, Rosanna Verde

Mots clés

Mots clés contrôlés

Traitement réparti

Amazon Web Services

Hadoop (plate-forme informatique)

Données massives

Arbres de décision

Statistique

Analyse des données symboliques

Mots clés libres

Analyse de Données Symboliques (ADS)

Histogrammes

Arbres de décision symboliques

Big Data

Map/Reduce

Hadoop

Amazon Web Services

Symbolic Data Analysis (SDA)

Histograms

Symbolic decision trees

Big Data

Map/Reduce

Hadoop

Amazon Web Services

Résumé

Cette thèse a pour but l'enrichissement des méthodes supervisées d'analyse de données symboliques et l'extension de ce domaine aux données volumineuses, dites "Big Data". Nous proposons à cette fin une méthode supervisée nommée HistSyr. HistSyr convertit automatiquement les variables continues en histogrammes les plus discriminants pour les classes d'individus. Nous proposons également une nouvelle méthode d'arbres de décision symbolique, dite SyrTree. SyrTree accepte tous plusieurs types de variables explicatives et à expliquer pour construire l'arbre de décision symbolique. Enfin, nous étendons HistSyr aux Big Data, en définissant une méthode distribuée nommée CloudHistSyr. CloudHistSyr utilise Map/Reduce pour créer les histogrammes les plus discriminants pour des données trop volumineuses pour HistSyr. Nous avons testé CloudHistSyr sur Amazon Web Services (AWS). Nous démontrons la scalabilité et l’efficacité de notre méthode sur des données simulées et sur les données expérimentales. Nous concluons sur l’utilité de CloudHistSyr qui , grâce à ses résultats, permet l'étude de données massives en utilisant les méthodes d'analyse symboliques existantes.

This Thesis proposes new supervised methods for Symbolic Data Analysis (SDA) and extends this domain to Big Data. We start by creating a supervised method called HistSyr that converts automatically continuous variables to the most discriminant histograms for classes of individuals. We also propose a new method of symbolic decision trees that we call SyrTree. SyrTree accepts many types of inputs and target variables and can use all symbolic variables describing the target to construct the decision tree. Finally, we extend HistSyr to Big Data, by creating a distributed method called CloudHistSyr. Using the Map/Reduce framework, CloudHistSyr creates of the most discriminant histograms for data too big for HistSyr. We tested CloudHistSyr on Amazon Web Services. We show the efficiency of our method on simulated data and on actual car traffic data in Nantes. We conclude on overall utility of CloudHistSyr which, through its results, allows the study of massive data using existing symbolic analysis methods.