CONCLUSION PARTIELLE
Les réseaux de neurones étant un algorithme
puissant, il était question pour nous de le souligné dans ce
chapitre tout en présentant non seulement quelques définitions
mais aussi son fonctionnement. Dans notre étude ce dernier fait le
fondement de notre implémentation grâce à ses
différentes fonctions mathématiques, partant des analyses a
opérées dans le dernier chapitre, il sied de mener une
étude sur la structure et le comportement de réseaux de neurones
artificiel en vue de ressortir une prédiction quasi réelle.
CHAPITRE IV :
IMPLEMENTATION ET INTERPRETATION DE RESULTATS [3], [4], [5], [6]
IV.1. INTRODUCTION
Ce chapitre est spécialement consacré à
l'implémentation et interprétation de résultats de notre
nouveau système (système prédictif). Il sera question
à la suite celui-ci de construire et implémenter notre algorithme
qui permettra de classifier d'une manière automatique non seulement les
clients éligibles au crédit mais aussi ceux qui ne le sont pas en
temps réel grâce aux technologies Big Data qui sera basé
sur le réseau de neurones qui est l'un des algorithmes du Data Mining.
IV. 1.1. Langages de programmation, SGBD et
Éditeurs utilisés
Pour écrire les différents scripts et lignes de
codes de notre application, nous avons fait recours aux différents
outils suivants :
· Python et Jupyter
Notebook (respectivement le langage de programmation et
l'éditeur utilisés pour l'analyse et la prédiction) ;
· R et RStudio
(respectivement le langage de programmation et l'éditeur utilisés
pour l'intégration des données (ETL), mais aussi pour l'analyse
et la prédiction) ;
· MongoDB (pour la partie Stockage de
données (Serveur) ;
· Navicat Premium (pour la Visualisation
de données du Dataset).
IV. 1.2. Bibliothèques (Modules (Python) ou
packages (R) utilisés)
ü PyMongo, qui est une distribution
Python contenant des outils permettant de travailler avec MongoDB. Il est
recommandé de travailler avec MongoDB à partir de Python.
ü Pandas, qui est un module du langage
de programmation Python permettant la manipulation et l'analyse des
données. Cette bibliothèque propose en particulier des structures
de données et des opérations de manipulation de tableaux
numériques et de séries temporelles.
ü NumPy, qui est une extension du
langage de programmation Python, destinée à manipuler des
matrices ou tableaux multidimensionnels ainsi que des fonctions
mathématiques opérant sur ces tableaux.
ü nnet, qui est un package de langage de
programmation R pour les réseaux de neurones avec une seule couche
cachée et pour les modèles log-linéaires multinomiaux.
ü readxl, qui est un package permettant
de lire un fichier Excel, de type .xls ou .xlsx dans un data frame R; il
fournit une interface à la fonction read_excel dans le package
readxl.
|