Documents disponibles écrits par cet auteur

Elaboration d’un modèle de prédiction du rendement d’un opérateur international du secteur agricole / Aicha BENNANI

Public ISBD Titre : Elaboration d’un modèle de prédiction du rendement d’un opérateur international du secteur agricole Type de document : projet fin études Auteurs : Aicha BENNANI, Auteur Année de publication : 2017 Langues : Français (fre) Catégories : e-Management et Business Intelligence Mots-clés : Image satellitaire, Classification, Régression linéaire multiple, Monteverdi, SPSS Index. décimale : 1776/17 Résumé : Le présent document est le fruit de notre projet de fin d’études effectué au sein d’Integrytis, société de services en ingénierie informatique. Le PFE s’inscrit dans le cadre d’un projet de preuve de concept, réalisé en faveur d’un acteur majeur du secteur agricole. L’objectif de notre projet est l’enrichissement du processus d’aide à la décision du client, en intégrant des données externes, permettant d’appréhender l’entreprise dans son milieu ambiant interne et externe. Le processus d’aide à la décision étudié est celui de la gestion des rendements agricoles, avec pour objectif de proposer une solution permettant d’évaluer et prédire les rendements agricoles du client. Pour cela, on croisera des données internes résultant du processus Business Intelligence de l’entreprise avec des données externes de composition de sol et des données météorologiques. On élaborera alors un modèle de prédiction du rendement agricole aidant les décideurs de l’entreprise à choisir le champ et la zone géographique les plus prometteurs. Le projet respecte les étapes du cycle de vie d’un projet analytique, qui commence par une compréhension du problème métier, suivie d’une analyse et d’une spécification des besoins. Débute alors une phase d’identification des sources de données potentielles, à laquelle succèdent la collecte et la préparation des données. Finalement, vient la partie d’élaboration du modèle de prédiction, puis l’analyse de sa précision et de son taux d’erreurs. Vu la consistance de la partie collecte et préparation des données dans la démarche de conduite de projet suivie CRISP-DM, on a considéré l’étape de préparation des données non structurées comme étant un lot projet à exécuter en premier avant d’attaquer la modélisation. Ainsi, le projet s’est réalisé en deux lots : Le premier lot concerne la préparation des données non structurées à savoir les images satellitaires, il a pour but le calcul des indices de composition de sol, et ce en passant par la collecte, la préparation et la classification des images satellitaires à l’aide de l’outil Monteverdi OTB. Le deuxième lot, quant à lui, concerne en premier lieu la collecte et la préparation des données structurées. Vient ensuite la modélisation de l’ensemble des données obtenues, par un modèle de régression linéaire multiple, permettant l’évaluation et la prédiction du rendement du client, avec le logiciel d’IBM SPSS. Elaboration d’un modèle de prédiction du rendement d’un opérateur international du secteur agricole [projet fin études] / Aicha BENNANI, Auteur . - 2017. Langues : Français (fre) Catégories : e-Management et Business Intelligence Mots-clés : Image satellitaire, Classification, Régression linéaire multiple, Monteverdi, SPSS Index. décimale : 1776/17 Résumé : Le présent document est le fruit de notre projet de fin d’études effectué au sein d’Integrytis, société de services en ingénierie informatique. Le PFE s’inscrit dans le cadre d’un projet de preuve de concept, réalisé en faveur d’un acteur majeur du secteur agricole. L’objectif de notre projet est l’enrichissement du processus d’aide à la décision du client, en intégrant des données externes, permettant d’appréhender l’entreprise dans son milieu ambiant interne et externe. Le processus d’aide à la décision étudié est celui de la gestion des rendements agricoles, avec pour objectif de proposer une solution permettant d’évaluer et prédire les rendements agricoles du client. Pour cela, on croisera des données internes résultant du processus Business Intelligence de l’entreprise avec des données externes de composition de sol et des données météorologiques. On élaborera alors un modèle de prédiction du rendement agricole aidant les décideurs de l’entreprise à choisir le champ et la zone géographique les plus prometteurs. Le projet respecte les étapes du cycle de vie d’un projet analytique, qui commence par une compréhension du problème métier, suivie d’une analyse et d’une spécification des besoins. Débute alors une phase d’identification des sources de données potentielles, à laquelle succèdent la collecte et la préparation des données. Finalement, vient la partie d’élaboration du modèle de prédiction, puis l’analyse de sa précision et de son taux d’erreurs. Vu la consistance de la partie collecte et préparation des données dans la démarche de conduite de projet suivie CRISP-DM, on a considéré l’étape de préparation des données non structurées comme étant un lot projet à exécuter en premier avant d’attaquer la modélisation. Ainsi, le projet s’est réalisé en deux lots : Le premier lot concerne la préparation des données non structurées à savoir les images satellitaires, il a pour but le calcul des indices de composition de sol, et ce en passant par la collecte, la préparation et la classification des images satellitaires à l’aide de l’outil Monteverdi OTB. Le deuxième lot, quant à lui, concerne en premier lieu la collecte et la préparation des données structurées. Vient ensuite la modélisation de l’ensemble des données obtenues, par un modèle de régression linéaire multiple, permettant l’évaluation et la prédiction du rendement du client, avec le logiciel d’IBM SPSS.

Réservation

Réserver ce document

Exemplaires

Code barre	Cote	Support	Localisation	Section	Disponibilité
1776/17	1776/17 ELA	Texte imprimé	unité des PFE	PFE/2017	Disponible