Mesurer et évaluer la qualité des données et des connaissances

E.22

Mesurer et évaluer la qualité des données et des connaissances

Le présent numéro spécial de la revue RNTI est le prolongement des dernières journées nationales de travail et des derniers ateliers organisés par le groupe de travail EGC-Fouille de Données Complexes. Le groupe de travail s'est focalisé ces dernières années sur la fouille de données complexes lorsque la complexité est liée aux données multiples. Ces manifestations furent l'occasion de rassembler des chercheurs et des industriels désireux de dialoguer en partageant leurs expériences et problématiques dans ce domaine. Plus précisément, ce numéro regroupe les articles sélectionnés à la suite d'un appel national, répartis en 5 parties : la première partie concerne le traitement automatique d'informations complexes ; la deuxième partie aborde l'apprentissage non supervisé avec les cartes topologiques probabilistes, une approche collaborative et une approche multi-échelle ; la troisième partie s'intéresse à l'apprentissage supervisé et faiblement supervisé avec des techniques d'enrichissement ; la quatrième partie aborde les approches crédibilistes appliquées à des données complexes, multi-vues ou multi-sources. La dernière partie expose des approches visuelles et floues pour l'exploration des données et l'organisation des informations hétérogènes, multi-sources, imprécises.

This special issue of RNTI journal is the continuity of the last national working days and workshops organized by the working group EGC-Fouille de Données Complexes. The working group has focused in recent years on search of the complex datamining especially when the complexity comes from the multiple data. These events were an opportunity to bring together researchers and industrialists eager to interact by sharing their experiences and problems in this field. After a national call, this special issue includes selected papers presented in five parts : the first one concerns the automatic processing of complex information ; the second section tackles with the non-supervised learning with probalistic topological maps, collaborative and multi-scale approaches; the third section concerns a supervised and weakly supervised learning with some enrichment techniques ; the fourth section deals with a belief approaches applied to complex, multi-views or multi-sources data. The last section presents visual and fuzzy approaches for data exploration and for the organization of heterogeneous, multi-sources and imprecise information.