Algèbre Linéaire, Méthodes statistiques.
La fouille de données est une discipline émergente combinant les mathématiques/statistiques et l’informatique et faisant usage des algorithmes d’apprentissage automatique. Ce cours vise principalement à présenter les techniques de fouille de données ainsi que les notions d’apprentissage supervisé et non supervisé, les règles d’association et les algorithmes correspondants. Un outil de référence sera utilisé pour étudier des cas pratiques : le logiciel Weka.
1. Définition et objectif
2. Démarche de fouille de donnée.
3. Domaines d’application
4. Fouille de données et apprentissage automatique
5. Etude de cas : Exemple introductif.
1. Introduction
2. Méthode de description
3. Méthode de Classification
4. Méthode d’association
5. Méthode d’estimation
6. Méthode de segmentation
7. Méthode de prévision
1. Vue d’ensemble
2. Algorithme de Naïve Bayes
3. Les k plus proches voisins (KNN)
4. Arbres de décision
5. Réseaux de neurones
1. Vue d’ensemble
2. L’algorithme K-Means
3. Méthodes hiérarchiques
1. Evaluation sur une base d’exemples tests
2.Evaluation par séparation entre la base d’apprentissage et la base de test
3. Validation croisée
4. Critères d’évaluation
1. Contexte général
2. Technique des règles d’association
3. Technique des motifs séquentiels
4. L’algorithme A-Priori.
1. Démarche Fouille de données vs Démarche Fouille de Texte
2. Difficultés liées au texte
3. Le prétraitement en fouille de texte
Consultez les ressources disponibles concernant ce module sur le moteur de recherche de la bibliothèque, ou accédez directement au cours de vos enseignants via la plateforme de téléenseignement de l’école « e-learn ».