Moustapha Askia, Khalid
(2020).
« Analyse de données massives dans le contexte académique : indexation et prédictions basées sur l'apprentissage automatique » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
Le milieu académique possède une grande quantité d’informations disponible dans des bases de données. Exploiter convenablement ces données pour en extraire des informations utiles s’avère nécessaire pour améliorer l’offre des institutions académiques. En effet, les étudiants étant la richesse des universités et de toutes institutions académiques, améliorer leurs conditions de travail et leurs chances de réussite est primordial. Dans ce mémoire, nous proposons une méthode pour modéliser et accéder aux données académiques que nous avons à disposition de manière efficace. Cette méthode est l’indexation distribuée des données. Elle permet de stocker les données d’une manière efficace, permettant la recherche et ainsi l’extraction d’informations voulues de manière efficace et rapide. Nous proposons par la suite plusieurs modèles pour détecter les étudiants susceptibles d’échouer leur programme ou leurs cours. La prédiction de la performance au programme se subdivise en deux tâches : une tâche consistant à prédire l’échec dès l’inscription au programme et la deuxième consistant à suivre l’évolution de l’étudiant en prédisant sa performance dans le programme au fil de ses trimestres d’activités. La première se base essentiellement sur l’apprentissage automatique (arbres de décision, forêt aléatoire, séparateurs à vaste marge (SVM), etc.) tandis que la résolution de la deuxième problématique se base sur l’apprentissage profond, notamment sur des réseaux de neurones récurrents, les LSTM (Long Short Term Memory).
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : Fouille de données académique, données massives, indexation, apprentissage automatique, réseaux de neurones, réseaux récurrents, prédiction de la performance d’un étudiant.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF / A. |
|
Directeur de thèse: |
Meurs, Marie-Jean |
| Mots-clés ou Sujets: |
Exploration de données / Données volumineuses / Apprentissage automatique / Indexation des données / Modèles prédictifs / Prédiction du succès scolaire / Universités -- Bases de données |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
21 sept. 2021 16:03 |
| Dernière modification: |
21 sept. 2021 16:03 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/14510 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
