Onze Vivlio e-readers ondervinden momenteel synchronisatieproblemen. We doen er alles aan om dit zo snel mogelijk op te lossen. Onze excuses voor het ongemak!

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België vanaf € 30
Ruim aanbod met 7 miljoen producten

Onze Vivlio e-readers ondervinden momenteel synchronisatieproblemen. We doen er alles aan om dit zo snel mogelijk op te lossen. Onze excuses voor het ongemak!

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België vanaf € 30
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 48,95

+ 97 punten

Levertermijn 1 à 4 weken

Eenvoudig bestellen

Veilig betalen

Gratis thuislevering vanaf € 30 (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

L'exploration de données est un processus qui consiste à extraire des informations cachées et utiles des données. La détection des valeurs aberrantes est une partie fondamentale de l'exploration de données et a récemment fait l'objet d'une attention considérable de la part de la communauté des chercheurs. Une valeur aberrante est un objet de données qui s'écarte des autres observations. La détection des valeurs aberrantes a des applications importantes dans le nettoyage des données ainsi que dans l'extraction de points anormaux pour la détection de la fraude, l'analyse du marché boursier, la détection des intrusions, le marketing, les capteurs de réseau. La plupart des efforts de recherche existants se concentrent sur les ensembles de données numériques qui ne sont pas directement applicables aux ensembles de données catégorielles où l'ordre des données et le calcul des distances entre les points de données ont peu de sens. En outre, un certain nombre de méthodes actuelles de détection des valeurs aberrantes nécessitent un temps quadratique par rapport à la taille de l'ensemble de données et nécessitent généralement des analyses multiples des données; ces caractéristiques ne sont pas souhaitables lorsque les ensembles de données sont volumineux. Cette thèse se concentre et évalue, expérimentalement, une approche de détection des aberrations qui est orientée vers les ensembles catégoriels. En outre, il s'agit d'un algorithme de détection de valeurs aberrantes simple, évolutif et efficace qui a l'avantage de découvrir les valeurs aberrantes dans des ensembles de données catégoriques ou numériques en per