Les algorithmes heuristiques pour la fouille des motifs fréquents sur Big Data

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Madame BARIK Meriem, soutiendra une thèse de Doctorat intitulée : «Les algorithmes heuristiques pour la fouille des motifs fréquents sur Big Data».

La soutenance publique aura lieu le Lundi 15 Juin 2026 à 9h00 à l’Ecole Nationale des Sciences Appliquées de Khouribga, devant le jury composé de :

• Monsieur ABOUTABIT Noureddine : Professeur, École Nationale des Sciences Appliquée, Université Sultan Moulay Slimane, Khouribga, Président/ Rapporteur ;

• Monsieur NACHAOUI Mourad: Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Rapporteur ;

• Monsieur METRANE Abdelmoutalib : Professeur, Faculté des Sciences et Techniques, Université Cadi Ayyad, Marrakech, Rapporteur ;

• Madame SOUSSI Nassima : Maître de Conférences Habilité, École Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Examinatrice ;

• Monsieur ROCHD Yassir : Maître de Conférences Habilité, École Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Co-directeur de thèse ; 

• Monsieur Imad HAFIDI : Professeur, École Nationale des Sciences Appliquée, Université Sultan Moulay Slimane, Khouribga, Directeur de thèse ;

Résumé: 

L’extraction de motifs fréquents consiste à découvrir des structures, des séquences ou des associations récurrentes qui se répètent dans les données. Plus précisément, dans les bases de données transactionnelles, cela signifie identifier des ensembles d’items ou des événements qui apparaissent fréquemment ensemble dans les transactions. Cette approche est très utile, car elle permet de mettre en évidence des informations et des associations cachées dans les données qui, si elles n’étaient pas explicitement recherchées, pourraient être exploitées pour diverses analyses, telles que l’analyse du panier d’achat, l’étude du comportement des clients ou encore le développement de systèmes de recommandation. L’objectif est donc d’identifier les motifs qui apparaissent avec une fréquence suffisante pour constituer des associations pertinentes pouvant soutenir la prise de décision et l’élaboration de stratégies.

Dans cette thèse, nous explorons l’extraction de motifs fréquents à partir de bases de données transactionnelles en utilisant des méthodes heuristiques. Les approches traditionnelles de fouille de motifs fréquents rencontrent souvent des difficultés liées à l’efficacité computationnelle et à la scalabilité, notamment face à de grands volumes de données. Pour remédier à ces limitations, nous introduisons l’utilisation d’heuristiques, qui permettent d’obtenir des solutions approximatives de manière plus efficace. De plus, nous exploitons des outils Big Data tels qu’Apache Spark afin de traiter et d’analyser efficacement de grandes quantités de données. Des techniques d’apprentissage automatique, en particulier le clustering, sont également utilisées pour améliorer le processus de découverte de motifs. Notre approche montre des améliorations significatives en termes de performance et de précision, constituant ainsi une contribution importante dans le domaine de la fouille de données.

Grâce à l’intégration des heuristiques, nous parvenons à contourner certaines étapes coûteuses en calcul des algorithmes traditionnels de fouille de motifs fréquents, ce qui permet de réduire le temps de traitement global. Apache Spark, avec ses capacités de calcul distribué, nous permet de gérer et d’analyser de vastes volumes de données en parallèle, renforçant ainsi l’efficacité de notre approche. L’utilisation des techniques de clustering permet de regrouper des transactions similaires, ce qui facilite non seulement l’identification de motifs fréquents, mais améliore également l’interprétabilité des résultats.

Notre recherche met en évidence la synergie entre les méthodes heuristiques et les technologies Big Data, montrant comment leur combinaison permet de relever les défis inhérents à l’extraction de motifs fréquents dans des bases de données transactionnelles à grande échelle. Les résultats de cette thèse ont des implications pratiques dans divers secteurs, notamment le commerce de détail, la finance et la santé, où la compréhension des motifs fréquents peut conduire à de meilleures décisions et stratégies. Dans l’ensemble, ce travail ouvre la voie à des solutions de fouille de données plus efficaces et plus scalables, en s’appuyant sur la puissance des outils et techniques informatiques modernes.

Mots clés: Big Data, Data Mining, Apriori, Meta-heuristics, Genetic Algorithm (GA), Particle Swarm Optimization (PSO).