Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/694
Full metadata record
DC FieldValueLanguage
dc.contributor.authorMERZOUG, MAnal-
dc.contributor.authorSAHEL, MAnar-
dc.date.accessioned2024-09-29T07:33:28Z-
dc.date.available2024-09-29T07:33:28Z-
dc.date.issued2024-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/694-
dc.descriptionSupervisor : Dr. Chaib Souleymanen_US
dc.description.abstractGeospatial data, which includes information about locations, is very important in many fields like transportation, public health, and disaster management. Effective analysis of this data is paramount to unveil spatial relationships and extract valuable insights from this rich resource. Clustering is a key data analysis method that groups similar data points together, making it easier to find patterns and trends in large datasets.This well-established technique has been extensively employed in various research endeavors. This thesis focuses on clustering algorithms for geospatial data. It provides an in-depth exploration of various clustering algorithm categories, examining and comparing their strengths and weaknesses and evaluating the application of these algorithms to diverse domains. Furthermore, it highlights recent algorithmic that address specific clustering problems related to geospatial data. In this Master subject, we begin with an introduction to geospatial data, covering its concepts, characteristics, and sources. We include a detailed analysis of different clustering algorithm categories and their applications in various domains. Additionally, we present newer algorithms proposed by researchers. Finally, we introduce our proposed method for balanced customer clustering using geospatial data and incorporating visit frequency. *** Les données géospatiales, qui incluent des informations sur les emplacements, sont très importantes dans de nombreux domaines tels que le transport, la santé publique et la gestion des catastrophes. L’analyse efficace de ces données est essentielle pour révéler les relations spatiales et extraire des informations précieuses de cette riche ressource. Le clustering est une méthode clé d’analyse des données qui regroupe des points de données similaires, ce qui facilite la détection de modèles et de tendances dans de grands ensembles de données. Cette technique bien établie a été largement utilisée dans diverses recherches. Cette thèse se concentre sur les algorithmes de regroupement pour les données géospatiales. Elle propose une exploration approfondie des différentes catégories d’algorithmes de regroupement, examinant et comparant leurs forces et faiblesses, et évaluant l’application de ces algorithmes à divers domaines. De plus, elle met en évidence des avancées algorithmiques récentes qui abordent des problèmes de regroupement spécifiques liés aux données géospatiales. Dans ce sujet de Master, nous commençons par une introduction aux données géospatiales, en couvrant leurs concepts, caractéristiques et sources. Nous incluons une analyse détaillée des différentes catégories d’algorithmes de clustering et de leurs applications dans divers domaines. De plus, nous présentons de nouveaux algorithmes proposés par des chercheurs. Enfin, nous introduisons notre méthode proposée pour le clustering équilibré des clients en utilisant des données géospatiales et en intégrant la fréquence des visites.en_US
dc.language.isoenen_US
dc.subjectGeospatial Dataen_US
dc.subjectData Analysisen_US
dc.subjectClustering Algorithmsen_US
dc.titleMachine learning algorithms for geospatial data clusteringen_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
Master_ML_algos_for_geospatial_data_clustering_ (17)-1-1.pdf69,45 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.