book

Modélisation sémantique des données

by Panos Alexopoulos

November 2024

Intermediate to advanced

330 pages

11h 13m

French

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Qui devrait lire ce livre ?À quoi s'attendre dans ce livrePlan du livreConventions utilisées dans ce livreApprentissage en ligne O'ReillyComment nous contacterRemerciements
Qu'est-ce que la modélisation sémantique des données ?Pourquoi développer et utiliser un modèle de données sémantiques ?Mauvaise modélisation sémantiqueÉviter les piègesBriser les dilemmes
Éléments générauxEntitésRelationsClasses et individusAttributsAxiomes, contraintes et règles complexesConditionsÉléments communs et normalisésLexicalisation et synonymieInstanciationInclusion de sens et subsomption de classe ou de relationRelation entre la partie et le toutLien sémantiqueCartographie et relations d'interconnexionÉléments de documentationRésumé
AmbiguïtéIncertitudeL'imprécisionRigidité, identité, unité et dépendance.Symétrie, inversion et transitivitéHypothèses sur le monde fermé et le monde ouvertChangement sémantiqueRésumé
Précision sémantiqueComplétudeCohérenceConcisionRapidité d'exécutionPertinenceCompréhensibilitéFiabilitéDisponibilité, polyvalence et performanceRésumé
Activités de développementPréparer le terrainDécider de ce qu'il faut construireLe construireS'assurer qu'il est bonRendre l'information utilePour que ça dureVocabulaires, schémas et modèles exemplairesOntologies supérieuresModèles de conceptionModèles standard et de référenceModèles et ensembles de données publicsExtraction de modèles sémantiquesTâches minièresMéthodes et techniques d'exploitation minièreRésumé
Donner de mauvais nomsDonner le mauvais exemplePourquoi nous donnons de mauvais nomsPour plus de clartéOmettre des définitions ou en donner de mauvaisesQuand tu as besoin de définitionsPourquoi nous omettons les définitionsBonnes et mauvaises définitionsComment obtenir des définitionsIgnorer l'imprécisionL'imprécision est une caractéristique, pas un bogueDétecter et décrire l'imprécisionNe pas documenter les préjugés et les hypothèsesGarde tes ennemis près de toiRésumé
Mauvaise identitéMauvaise synonymieMauvaise cartographie et mauvais liensMauvaises sous-classesL'instanciation comme sous-classeLes parties en tant que sous-classesLes classes rigides comme sous-classes des classes non rigidesSuperclasses communes avec des critères d'identité incompatiblesMauvais axiomes et mauvaises règlesDéfinir les relations hiérarchiques comme transitivesDéfinir les relations vagues comme transitivesCours complémentaires vaguesConfondre les règles d'inférence et les contraintesRésumé

Construire la mauvaise chosePourquoi nous avons de mauvaises spécificationsComment obtenir les bonnes spécificationsMauvaise acquisition des connaissancesMauvaises sources de connaissancesMéthodes et outils d'acquisition erronésUne histoire de spécification et d'acquisition de connaissancesSpécification et conception du modèleModèle de populationRésumé
Ne pas traiter la qualité comme un ensemble de compromisPrécision sémantique versus exhaustivitéConcision ou exhaustivitéConcision et compréhensibilitéPertinence du contexte A par rapport au contexte BNe pas relier la qualité aux risques et aux avantagesNe pas utiliser les bons indicateursUtiliser des mesures avec des interprétations trompeusesUtilisation de mesures ayant peu de valeur comparativeUtilisation de mesures avec des seuils de valeur arbitrairesUtiliser des mesures qui sont en fait des signaux de qualitéMesurer l'exactitude des affirmations vagues de façon claire et netteAssimiler la qualité du modèle à la qualité de l'extraction de l'informationRésumé
Résolution des mauvaises entitésComment les systèmes de résolution d'entités utilisent-ils les modèles sémantiques ?Quand la connaissance peut te nuireComment sélectionner les connaissances utiles à la désambiguïsation ?Deux histoires de résolution d'entitésMauvaise relation sémantiquePourquoi la parenté sémantique n'est pas simpleComment obtenir la parenté sémantique dont tu as vraiment besoin ?Une histoire de parenté sémantiqueRésumé
Mauvaise stratégieQu'est-ce qu'une stratégie de modèle sémantique ?Acheter des mythes et des demi-véritésSous-estimer la complexité et le coûtNe pas connaître ou appliquer ton contexteMauvaise organisationNe pas former la bonne équipeSous-estimer le besoin de gouvernanceRésumé
Classe ou individu ?Sous-classer ou ne pas sous-classer ?Attribut ou relation ?Fuzzifier ou ne pas fuzzifier ?Ce qu'implique la fuzzificationQuand FuzzifierDeux histoires de fuzzificationRésumé
Quelles lexicalisations adopter ?Quelle est la granularité nécessaire ?Comment être général ?Comment être négatif ?Combien de vérités à gérer ?Quel est le degré d'interdépendance ?Résumé
Evolution du modèleSe souvenir ou oublier ?Courir ou accélérer ?Réagir ou prévenir ?Connaître et agir sur ta dérive sémantiqueModèle de gouvernanceDémocratie, oligarchie ou dictature ?Une histoire de centralisationRésumé
La carte n'est pas le territoireÊtre optimiste, mais pas naïfÉviter la vision en tunnelÉviter les débats qui détournent l'attentionCadres sémantiques et non sémantiquesReprésentation symbolique des connaissances et apprentissage automatiqueNe pas nuireCombler le fossé sémantique

Content preview from Modélisation sémantique des données

Préface

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Les graphes de connaissances, les ontologies, les taxonomies et d'autres types de modèles de données sémantiques ont été développés et utilisés dans le monde des données et de l'intelligence artificielle (IA) depuis plusieurs décennies. Leur utilisation permet de capturer la signification des données de manière explicite et partageable, et d'améliorer l'efficacité des applications basées sur les données. Au cours de la dernière décennie, la popularité de ces modèles a particulièrement augmenté. Par exemple, la société d'intelligence économique Gartner a inclus les graphes de connaissances dans son cycle de hype 2018 pour les technologies émergentes ; et plusieurs organisations de premier plan comme Amazon, LinkedIn, BBC et IBM ont développé et utilisé des modèles de données sémantiques au sein de leurs produits et services.

Derrière cette tendance, il y a deux forces motrices principales :

Les organisations riches en données réalisent de plus en plus qu'il ne suffit pas d'avoir d'énormes quantités de données. Pour en tirer de la valeur, il faut en fait que ces données soient propres, cohérentes, interconnectées et dotées d'une sémantique claire. Cela permet aux scientifiques des données et aux analystes commerciaux de se concentrer sur ce qu'ils font le mieux : en extraire des informations utiles. La modélisation sémantique des données vise ...