RR0/rr0.org

<!--#include virtual="/header-start.html" -->
<title>KDD</title>
<meta name="url" content="https://www.kdd.org"/>
<!--#include virtual="/header-end.html" -->
<p><i lang="en">Knowledge Discovery in Databases</i> (découverte de connaissances dans les bases de données) puis <i
    lang="en">Knowledge Discovery and Data Mining</i> (découverte de connaissances et <a
  href="/tech/info/soft/data/science/explor">exploration de données</a>).</p>
<section>
  <h2>Motivation</h2>
  <p>Processus d'étude de données.</p>
</section>
<section>
  <h2>Conception</h2>
  <figure class="right side">
    <figcaption>Les étapes du processus KDD</figcaption>
    <img src="kdd.gif" alt="Les étapes du processus KDD"/>
  </figure>
  <p>Les étapes du processus KDD sont :<span class="source"><a
      href="https://www2.cs.uregina.ca/~dbd/cs831/notes/kdd/1_kdd.html">Overview of the KDD Process</a></span>
  </p>
  <ol>
    <li><strong>Compréhension métier :</strong>
      <ul>
        <li>du domaine de l'application</li>
        <li>de la connaissance antérieure pertinente</li>
        <li>des objectifs du client final</li>
      </ul>
    </li>
    <li><strong>créer un ensemble de données cible</strong> : sélectionner un ensemble de données, ou se concentrer sur
      un sous-ensemble de variables, ou des échantillons de données, sur lesquels la découverte doit être faite.</li>
    <li><strong>Nettoyage et prétraitement des données</strong>
      <ul>
        <li>Suppression du bruit ou des valeurs aberrantes (<i lang="en">outliers</i>)</li>
        <li>Recueil de l'information nécessaire pour modéliser ou expliquer le bruit</li>
        <li>Stratégies pour gérer les colonnes où manquent des données</li>
        <li>Expliquer la séquence temporelle et les changements connus</li></ul>
    </li>
    <li><strong>Réduction et projection de données</strong>
      <ul>
        <li>Recherche des colonnes utiles pour représenter les données en fonction de l'objectif de la tâche.
        </li>
        <li>Utiliser la réduction de dimensions ou des méthodes de transformation pour réduire le nombre effectif de
          variables prises consideration ou pour trouver des représentations invariantes des données.</li>U
      </ul>
    </li>
    <li><strong>Choix de la tâche de data mining</strong> : Décider si l'objectif du processus KDD est la <a
        href="/science/discipline/hard/form/math/stat/regress/logistic">classification</a>, la <a
        href="/science/discipline/hard/form/math/stat/regress">régression</a>, le <a
      href="/tech/info/soft/data/science/ml/kmeans">clustering</a>, etc.</li>
    <li><strong>Choix d(es) algorithme(s) de Data Mining</strong>
      <ul>
        <li>Sélectionner la ou les méthodes à utiliser pour rechercher des schémas dans les données.</li>
        <li>Décider quels modèles et paramètres pourraient être appropriés.</li>
        <li>Faire correspondre une méthode de data mining donnée avec l'ensemble des critères du processus KDD.</li>
      </ul>
    </li>
    <li><strong>Data mining</strong> : Rechercher des schémas intéressants dans une forme particulière de représentation
      ou un ensemble de ces représentations en tant que arbres ou règles de classification, regression, clustering, etc.
    </li>
    <li><strong>Interpréter les schémas trouvés.</strong></li>
    <li><strong>Consolider la connaissance découverte.</strong></li>
  </ol>
</section>
<section>
  <h2>Notes</h2>
  <ul>
    <li>Créé <time>1989</time> via un workshop <span class="source">"<a
        href="https://www.kdnuggets.com/gpspubs/sigkdd-explorations-kdd-10-years.html">Knowledge Discovery in Databases: 10 years
      after</a>"</span>.</li>
    <li>Aujourd'hui géré par l'<a href="..">ACM</a>.</li>
  </ul>
</section>
<!--#include virtual="/footer.html" -->