Note ABES Apprentissage incrémental en ligne sur flux de données Incremental online learning on data streams Apprentissage incrémental Changements de concept Flux de données Incremental learning Conceptual changes Data Flows Données -- Transmission L'apprentissage statistique propose un vaste ensemble de techniques capables de construire des modèles prédictifs à partir d'observations passées. Ces techniques ont montré leurs capacités à traiter des volumétries importantes de données sur des problèmes réels. Cependant, de nouvelles applications génèrent de plus en plus de données qui sont seulement visibles sous la forme d'un flux et doivent être traitées séquentiellement. Parmi ces applications on citera : la gestion de réseaux de télécommunications, la modélisation des utilisateurs au sein d'un réseau social, le web mining. L'un des défis techniques est de concevoir des algorithmes permettant l'apprentissage avec les nouvelles contraintes imposées par les flux de données. Nous proposons d'abord ce problème en proposant de nouvelles techniques de résumé de flux de données dans le cadre de l'apprentissage supervisé. Notre méthode est constituée de deux niveaux. Le premier niveau utilise des techniques incrémentales de résumé en-ligne pour les flux qui prennent en compte les ressources mémoire et processeur et possèdent des garanties en termes d'erreur. Le second niveau utilise les résumés de faible taille, issus du premier niveau, pour construire le résumé final à l'aide d'une méthode supervisée performante hors-ligne. Ces résumés constituent un prétraitement qui nous permet de proposer de nouvelles versions du classifieur bayésien naïf et des arbres de décision fonctionnant en-ligne sur flux de données. Les flux de données peuvent ne pas être stationnaires mais comporter des changements de concept. Nous proposons aussi une nouvelle technique pour détecter ces changements et mettre à jour nos classifieurs. Statistical learning provides numerous algorithms to build predictive models on past observations. These techniques proved their ability to deal with large scale realistic problems. However, new domains generate more and more data which are only visible once and need to be processes sequentially. These volatile data, known as data streams, come from telecommunication network management, social network, web mining. The challenge is to build new algorithms able to learn under these constraints. We proposed to build new summaries for supervised classification. Our summaries are based on two levels. The first level is an online incremental summary which uses low processing and address the precision/memory tradeoff. The second level uses the first layer summary to build the final sumamry with an effcient offline method. Building these sumamries is a pre-processing stage to develop new classifiers for data streams. We propose new versions for the naive-Bayes and decision trees classifiers using our summaries. As data streams might contain concept drifts, we also propose a new technique to detect these drifts and update classifiers accordingly. Electronic Thesis or Dissertation Text fr PDF 8527271 https://theses.hal.science/tel-00845655 https://theses.hal.science/tel-00845655 https://theses.fr/2012LIL30037/abes https://theses.hal.science/tel-00845655 https://theses.hal.science/tel-00845655 https://theses.hal.science/tel-00845655 Salperwyck Christophe 1982-03-20 FR 169966852 https://theses.fr/2012LIL30037 2012LIL30037 https://doi.org/10.70675/f6d3328az6282z4b8bz8089z2819c508f3d0 2012-11-30 Informatique Lille 3 026404524 Doctorat Docteur es non oui Preux Philippe MADS_DIRECTEUR_DE_THESE_1 059896353 Bennani Younès MADS_PRESIDENT_DU_JURY 069360103 Preux Philippe MADS_MEMBRE_DU_JURY_1 059896353 Bennani Younès MADS_MEMBRE_DU_JURY_2 069360103 Kuntz-Cosperec Pascale MADS_MEMBRE_DU_JURY_3 103904638 Zighed Djamel Abdelkader MADS_MEMBRE_DU_JURY_4 030161738 Lemaire Vincent MADS_MEMBRE_DU_JURY_5 123329108 Quiniou René MADS_MEMBRE_DU_JURY_6 07105944X Kuntz-Cosperec Pascale MADS_RAPPORTEUR_1 103904638 Zighed Djamel Abdelkader MADS_RAPPORTEUR_2 030161738 École doctorale Sciences pour l'ingénieur (Lille ; 1992-2021) MADS_ECOLE_DOCTORALE_1 147297028 INRIA Lille - Nord Europe / INRIA Nancy - Grand Est / LIFL MADS_PARTENAIRE_DE_RECHERCHE_1 186016 ddc:004 Preux Philippe Bennani Younès Preux Philippe Bennani Younès Kunst-Cosperec Pascale Zighed Djamel Abdelkader Lemaire Vincent Quiniou René Kunst-Cosperec Pascale Zighed Djamel Abdelkader École doctorale Sciences pour l'Ingénieur (Lille) INRIA Lille - Nord Europe / INRIA Nancy - Grand Est / LIFL PDF 8527271