SLIM, Ameur2019-03-062019-03-062012M2012.33http://dspace.univ-msila.dz:8080//xmlui/handle/123456789/11079Une des principales caractéristiques des données environnementales réside dans le fait qu’on dispose d’un nombre de données de sorties très faible devant un grand nombre d’entrées. Un enjeu majeur du traitement statistique de ces données est l’analyse multivariée à but décisionnel. D’un point de vue statistique, ce grand nombre de variables devant ln petit nombre d’observations rend l’analyse multivariée difficile. Une façon de contourner ce « fléau » de la dimension consiste à réduire cette dimension. Dans ce travail, la régression et la classification supervisée est vue comme un problème de reconnaissance de formes avec peu d’observations et beaucoup de variables d’entrées dans un système pour l’aide à la décision. Parmi les techniques de réduction de dimension en trouve : l’analyse en composantes principale (ACP), l’analyse en composantes indépendantes (ACI), …. L’objectif de ce mémoire consiste à illustrer pertinence parmi de ces approches proposées lorsqu’elles sont appliquées à l’analyse de deux jeux de données réels différents. La régression et la classification supervisée obtenue en combinant les techniques d’analyse multivariée et les réseaux de neurones artificiels comme technique de reconnaissance de formes sont appliquées au domaine de surveillance des eaux. On cherche une évaluation complète expriment les variables indicatrices dans notre application et voir l’effet de l’analyse multivariée sur la régression et la classification supervisée. Cette décision est basée sur l’application de la technique choisie et sur l’interprétation des informations réduites et complètes obtenues sur tout l’ensemble de deux bases de données.frRéduction de dimension, Analyse multivariée, régression, classification, réseaux de neurones artificiels, simulation.Thesis