Administration d'un big data sous mongodb et extraction de connaissance par réseau de neurones.

• IN MEMORIAM
  
• ÉPIGRAPHE
  
• DÉDICACE
  
• REMERCIEMENTS
  
• AVANT-PROPOS
  
• LISTE DES ABRÉVIATIONS UTILISÉES
  
• LISTE DES FIGURES
  
• LISTE DES TABLEAUX
  
• INTRODUCTION GENERALE
  
  • 1. CONTEXTE
    
  • 2. PROBLEMATIQUE
    
  • 3. HYPOTHESE
    
  • 4. CHOIX ET INTERET DU SUJET
    
    • 4.1. Choix du sujet
      
    • 4.2. Intérêt du sujet
      
  • 5. METHODES ET TECHNIQUES UTILISEES
    
    • 5.1. Méthodes
      
    • 5.2. Techniques
      
  • 6. SUBDIVISION DU TRAVAIL
    
• CHAPITRE I: BIG DATA[1], [6], [12], [16], [19]
  
  • I.1. INTRODUCTION
    
  • I.2. APERÇU HISTORIQUE
    
  • I.3. PRESENTATION DE L'ASPECTS BIG DATA
    
  • I.4. OBJECTIFS
    
  • I.5. CARACTERISTIQUES
    
  • I.6. DEFINITION DU BIG DATA
    
    • I.6.1. Première définition de Big Data
      
    • I.6.2. Deuxième définition de Big Data
      
  • I.7. TYPES
    
    • I.7.1. Données structurées
      
    • I.7.2. Données non structurées
      
  • I.8. TECHNIQUES D'ANALYSE ET DE VISUALISATION DU BIG DATA
    
    • I.8.1. Visualisation
      
  • I.9. DIFFERENCES AVEC L'INFORMATIQUE TRADITIONNELLE OUDECISIONNELLE
    
  • I.10. BIG DATA ET SES TECHNOLOGIES
    
    • I.10.1. Solutions de stockage
      
      • I.10.1.1. Bases des Données NoSQL
        
• 1) Théorème du CAP (d'Eric Brewer)
  
• 2) Principes ACID et BASE
  
• 3) Critères de Migration vers le principe CAP NoSQL
  
  • I.11. TYPES DE BASE DE DONNEES NoSQL
    
    • I.11.1. Bases de données orientées-document
      
    • I.11.2. Bases de données orientées-colonne
      
    • I.11.3. Bases de données orientées-graphe
      
    • I.11.4. Bases de données orientées-clé-valeur
      
• 4) Outils MapReduce et Hadoop
  
  • a) MapReduce
    
  • b) Hadoop
    
  • I.12. SOLUTIONS LOGICIELLES
    
    • I.12.1. Moteurs Sémantiques (Text Mining)
      
    • I.12.2. Solutions d'Analytiques
      
    • I.12.3. Solutions matérielles et/ou architecturales
      
      • I.12.3.1. Cloud Computing
        
      • I.12.3.2. Super Calculateurs Hybrides (HPC : High Performance Computing)
        
      • I.12.3.3. Stockage des Données en Mémoire :
        
      • I.12.3.4. Serveurs des Traitements Distribués :
        
  • I.13. CHOIX DU BIG DATA [1]
    
    • I.13.1. Big Data et recrutement
      
    • I.13.2. Métiers du Big Data
      
• CONCLUSION PARTIELLE
  
• CHAPITRE II : SYSTÈME DE GESTION DE BASE DE DONNEES ORIENTE DOCUMENT ET MONGODB[7], [9]
  
  • II.1. SGBD ORIENTE DOCUMENT
    
    • II.1.1. Introduction
      
    • II.1.2.Définition
      
    • II.1.3. Types de modèle de SGBD NoSQL[7]
      
    • II.1.4. Comparaison des outils de gestion des BD NoSQL
      
  • II. 2. MongoDB
    
    • II.2.1.Présentation
      
    • II.2.2. Schéma
      
      • II.2.2.1. Document
        
      • II.2.2.2. Collection
        
      • II.2.2.3. Documents intégrés
        
    • II.2.3. Caractéristiques
      
    • II.2.4. Structure des données
      
    • II.2.5. Stockage des objets larges
      
    • II.2.6. Traitement des données
      
    • II.2.7. Mise en oeuvre
      
      • II.2.7.1. Installation
        
      • II.2.7.2. Invite interactive
        
      • II.2.7.3. Programmation cliente
        
      • II.2.7.4.Administration
        
        
      • II.2.7.5. Sécurité
        
      • II.2.7.6.Réplication
        
        
      • II.2.7.7. Répartition (sharding)
        
• CONCLUSION PARTIELLE
  
• CHAPITRE III : FOUILLE DE DONNEES ET RESEAUX DE NEURONES[13], [14], [18]
  
  • III. 1. FOUILLE DE DONNEES
    
    • III.1.1. Présentation
      
    • III.1.2. Objectifs de la Fouille de données
      
    • III.1.3. Méthodes (Algorithmes) de Fouille de données
      
      • III.1.3.1. Méthodes descriptives
        
      • III.1.3.2. Méthodes prédictives
        
  • III.1.4. Concepts de base de Fouille de données
    
    • III.1.4.1. Matrice des données - Individu - Variable
      
    • III.1.4.2. Ressemblance
      
    • III.1.4.3. Dissimilarité
      
    • III.1.4.4. Distance
      
    • III.1.4.5. Similarité
      
  • III.2. ALGORITHME DE -MEANS [2], [15]
    
    • III.2.1. Introduction
      
    • III.2.2. Théorème de Hyugens
      
    • III.2.3. Principe général des méthodes des centres mobiles
      
    • III.2.4. Déroulement de l'algorithme
      
  • III.3. RESEAUX DE NEURONES
    
    • III.3.1.Historique
      
    • III.3.2. Présentation des réseaux de neurones
      
    • III.3.3. Neurone biologique
      
    • III.2.4. Structure du réseau de neurones
      
    • III.3.5. Réseaux de neurones artificiels
      
      • III.3.5.1. Quelques définitions sur le RNA
        
      • III.3.5.2. Comportement du neurone artificiel
        
    • III.3.6. Neurone formel
      
    • III.3.7. Sortes de réseau de neurones
      
    • III.3.8. Topologie d'un réseau de neurones
      
      • III.3.8.1. Perceptron et son fonctionnement
        
      • III.3.8.2. Réseau multicouche en phase d'association
        
      • III.3.8.3. Réseaux non bouclés
        
      • III.3.8.4. Réseaux bouclés
        
  • III.4. APPRENTISSAGE DES RESEAUX DE NEURONES
    
    • III.4.1. Définition
      
    • III.4.2. Apprentissage par minimisation de l'erreur
      
    • III.4.1.Algorithmes d'apprentissage
      
      • III.4.1.1. Algorithme de HEBB
        
      • III.4.1.2. Algorithme d'apprentissage du perceptron
        
      • III.4.1.3. Algorithme de propagation de gradient pour un perceptron
        
• CONCLUSION PARTIELLE
  
• CHAPITRE IV : IMPLEMENTATION ET INTERPRETATION DE RESULTATS [3], [4], [5], [6]
  
  • IV.1. INTRODUCTION
    
    • IV. 1.1. Langages de programmation, SGBD et Éditeurs utilisés
      
    • IV. 1.2. Bibliothèques (Modules (Python) ou packages (R) utilisés)
      
    • IV.1.3. Architecture Big Data intégrant les technologies utilisées
      
  • IV.2. ANALYSE PREALABLE : PRESENTATION DE LA BANQUE COMMERCIALE DU CONGO
    
    • IV.2.1. Brève aperçue historique de la BCDC
      
    • IV.2.2. Objectifs & Missions de la BCDC
      
    • IV.2.3. Quelques directions de la BCDC
      
    • IV.2.4. Siège
      
    • IV.2.5. Organigramme de la BCDC
      
  • IV.3. LE CHURN [3], [17]
    
    • IV.3.1. Notions
      
    • IV.3.2. Définitions
      
  • IV.4. Présentation des Outils utilisés[10], [11]
    
    • IV.4.1. Langages de programmation : Python et R[10]
      
    • IV.4.2. Environnement de développement intégré (EDI)
      
      • IV.4.2.1.Jupyter[10]
        
      • IV.4.2.2. RStudio[11]
        
    • IV.4.3. Système de gestion de base de données : MongoDB[8], [9]
      
      • IV. 4.3.1. Administration de Big Data sous le SGBD MongoDB
        
  • IV.5. Présentation des données
    
    • IV.5.1. Présentation des données existantes d'analyse
      
  • IV.6. Implémentation et Analyse des résultats
    
  • 1. Phase d'apprentissage
    
  • 2. Phase de prédiction
    
• CONCLUSION PARTIELLE
  
• CONCLUSION GENERALE
  
• BIBLIOGRAPHIE
  
• TABLE DES MATIERES