| Titre : | Classification of learners for the personalized E-learning |
| Auteurs : | Chaouch Soltana, Auteur ; Samir Bourekkache, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2022 |
| Format : | 1 vol. (68 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Styles d'apprentissage, apprentissage en ligne, modèle de style d'apprentissage, Classification. |
| Résumé : |
Le terme « style d'apprentissage » fait référence au fait que chaque personne a une manière différente d'accumuler des connaissances. Alors que certains préfèrent écouter pour mieux apprendre, d'autres ont besoin d'écrire ou ils n'ont qu'à lire le texte ou voir une image pour s'en souvenir plus tard. Le style d'apprentissage d'une personne peut se référer à la manière dont une personne préfère acquérir, traiter et retenir des informations. Le modèle de classification de style d'apprentissage le plus célèbre est le modèle VAK, selon ce modèle, il existe trois types d'apprenants, auditeur, visuel et kinesthésique. Mais de nombreuses recherches ont montré que les gens préfèrent plus d'une façon d'apprendre, donc classer une personne dans un seul des types ci-dessus n'est pas exact. Nous avons besoin d'un moyen d'identifier nos styles d'apprentissage de manière plus précise. L'apprentissage automatique peut être utilisé dans ce domaine pour atteindre notre objectif de la manière la plus efficace. Une fois que nous avons des informations précises sur les styles d'apprentissage, nous pouvons les utiliser pour suggérer des options de carrière. |
| Sommaire : |
REMERCIEMENTS ABSTRACT RÉSUMÉ TABLE DE MATIERES TABLE DE FIGURES LISTE DE TABLES INTRODUCTION GÉNÉRALE--1 CHAPITRE I : MACHINE LEARNING I .1 INTRODUCTION 4 I.2 MACHINE LEARNING -5 I.3 MÉTHODES D'APPRENTISSAGE AUTOMATIQUE :5 I.3.1 La Classification : -5 I.3.2 Le Clustering : -5 I.3.3 La Régression : 5 I.4 L’APPRENTISSAGE SUPERVISÉ -6 I.5 L’APPRENTISSAGE NON SUPERVISÉ 7 I.6 L’APPRENTISSAGE PAR RENFORCEMENT7 I. 7BRÈVE DESCRIPTION DES ALGORITHMES POPULAIRES D’APPRENTISSAGE --8 I.7.1 Arbre de décision -8 I.7.2 Machines à Vecteurs Supports SVM 10 I. 7.3 Réseaux de neurones -19 I. 7.4 Algorithme K-means --21 I.8 CONCLUSION --23 CHAPITRE II: E-LEARNING ET MOOCS II.1 INTRODUCTION -25 II.2 E-LEARNING-25 II.2.1 Définition -25 II.2.2 L'efficacité de E-learning -26 II.2.3 Différence entre E-learning et l’apprentissage traditionnelle 27 II.2.4 Acteurs E-learning -27 II.2.5 Les différents types de cours en ligne -28 II.2.6 Les avantages de E-learning 29 II.2.7 Les limites de E-learning 29 II.3 MOOC -31 II.3.1 Définition --31 II.3.2 Historique 32 II.3.3 Différents types de MOOC-33 II.3.3.1 Les xMOOC 33 II.3.3.2 Les cMOOC -33 II.3.4 Les caractéristiques du MOOC -33 II.3.5 Avantages et inconvénients des MOOC 34 II.4 MOOC ET E-LEARNING35 II.5 PRÉSENTATIONS DES PLATEFORMES35 II.6 CONCLUSION -38 CHAPITRE III : LES STYLES D’APPRENTISSAGE III.1 INTRODUCTION 40 III.2 LES DÉFINITIONS SUR LES STYLES D’APPRENTISSAGE40 III.3 LES MODÈLES DU STYLE D’APPRENTISSAGE -41 III.3.1 Le modèle de Kolb --42 III.3.1.1 Le style divergent (concret-réfléchi) 42 III.3.1.2 Le style assimilateur (réfléchi-abstrait)42 III.3.1.3 Le style convergent (abstrait-actif)-42 III.3.1.4 Le style accommodateur (concret-actif) 43 III.3.2 Le modèle de Felder et Silverman 43 III.3.3 Le modèle de Fleming 45 III.3.4 Le modèle de Dunn et Dunn 46 III.3.5 Le modèle de Honey et Mumford -46 III.4 LES TRAVAUX CONNEXES -47 III.5 CONCLUSION -49 CHAPITRE IV : LA CONCEPTION ET IMPLIMENTATION IV.1 INTRODUCTION 51 IV.2 CHOIX DU MODELE DE STYLE D'APPRENTISSAGE 51 IV.3 L’ARCHITECTURE DE NOTRE SYSTEME PROPOSE -52 IV.4 L’IMPLEMENTATION -54 IV.4.1 Introduction --54 IV.4.2 Choix de techniques 54 IV.4.3 Collecte de données --55 IV.4.5 Modélisation non supervisée -58 IV.4.5.1 Sélection du nombre optimal de clusters58 IV.4.5.2 Les étapes d’étiqueter la base de données-58 IV.4.5.3 Trouver la fréquence du style d'apprentissage dans chaque cluster -59 IV.4.5.4 Trouver le style d'apprentissage dominant dans chaque cluster 9 IV.4.5.5 Calculer la similarité entre les clusters -59 IV.4.5.6 Trouver une combinaison de style d'apprentissage en combinant la dominance de groupes similaires --60 IV.4.6 Processus d'agrégation -61 IV.4.7 Modélisation supervisée-62 IV.4.8 Les Résultats -62 IV.5 CONCLUSION -65 CONCLUSION-66 LES RÉFÉRENCES 68 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/760 | Mémoire master | bibliothèque sciences exactes | Consultable |
