Extraction de séquences fréquentes : des données numériques aux valeurs manquantes

The large amount of data stored in any areas as well as the diversity of their format and origin make manual analysis or knowledge discovery impossible. For this reason, various communities have been interested for several years in the conception and implementation of tools that can automatically extract knowledge from such large databases. Nowadays these works aim at considering heterogeneity of data, format and quality. Our own workis part of this research axis. More particularly, we consider the context of frequent pattern discovery from data ordered as data sequences. Until now, such patterns, called sequential patterns, could be extracted only from sequence databases containing symbolic and perfect data, i.e. databases consisting of binary information or data that can be processed as binary and only containing complete data. So we propose several improvement of frequent sequence discovery techniques in order to take into account heterogeneous, incomplete or uncertain data, while minimizing possible information loss. Thus, the work described in this thesis consists of the implementation of a global framework for fuzzy sequential pattern discovery within numerical quantitative data, the definition of soft temporal constraints allowing flexibility for the user and sorting of uncovered patterns, last the implementation of two approaches for sequential pattern discovery from incomplete data.La quantité de données aujourd'hui emmagasinées dans tous les domaines ainsi que leur diversité d'origines et de formats rendent impossibles l'analyse, le résumé ou l'extraction manuelle de connaissances. Pour répondre à ces besoins, diverses communautés se sont intéressées à la conception et au développement d'outils permettant d'extraire automatiquement de la connaissance de ces grandes bases. Désormais ces travaux visent à prendre en compte l'hétérogénéité de ces données, de leur format et de leur qualité. Notre travail s'inscrit dans cet axe de recherche et, plus précisément, dans le contexte de la découverte de schémas fréquents à partir de données regroupées sous la forme de séquences ordonnées. Ces schémas, appelés motifs séquentiels, n'étaient jusqu'alors extraits que sur des bases de données de séquences symboliques et parfaites, c'est-à-dire des bases ne contenant que des informations binaires ou pouvant être traitées comme telles et ne contenant aucun enregistrement incomplet. Nous avons donc proposé plusieurs améliorations des techniques d'extraction de séquences fréquentes afin de prendre en compte des données hétérogènes, incomplètes, incertaines ou mal connues de leur utilisateur, tout en minimisant les pertes éventuelles d'informations. Ainsi, le travail présenté dans cette thèse comporte la mise en oeuvre d'un cadre pour l'extraction de motifs séquentiels en présence de données numériques quantitatives, la définition de contraintes temporelles relâchées autorisant l'utilisateur à spécifier des contraintes temporelles approximatives et permettant un tri des résultats obtenus selon un indice de précision temporelle, enfin, le développement de deux approches pour l'extraction de motifs séquentiels sur des données symboliques incomplètes