<- Archives UCL - Programme d'études ->



Data mining and decision making [ LSINF2275 ]


5.0 crédits ECTS  30.0 h + 30.0 h   2q 

Enseignant(s) Saerens Marco ;
Langue
d'enseignement:
Anglais
Lieu de l'activité Louvain-la-Neuve
Ressources
en ligne

> https://icampus.uclouvain.be/claroline/course/index.php?cid=sinf2275

Thèmes abordés

Le cours est articulé autour de quatre thèmes,

  1. Compléments de fouille de données
  2. Prise de décision,
  3. Recherche d'information,
  4. Analyse de liens et l'exploration du web / graphique.
Acquis
d'apprentissage

Eu égard au référentiel AA du programme « Master ingénieur civil en informatique », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

  • INFO1.1-3
  • INFO2.2-3
  • INFO5.2

Eu égard au référentiel AA du programme « Master [120] en sciences informatiques », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

  • SINF1.M4
  • SINF2.2-3
  • SINF5.2

Les étudiants ayant suivi avec fruit ce cours seront capables de

  • expliquer et appliquer des méthodes de fouille de données (data mining), tant qualitatives que quantitatives, dans le cadre de la prise de décision.
  • avoir un jugement critique sur les méthodes de fouilles de données en fonction de leur champ d'application.
  • maîtriser des méthodes d'extraction et recherche d'informations (information retrieval) dans de très larges collections de données, éventuellement enrichies d'une structure de liens (WEB, réseaux sociaux...).
  • expliquer l'application de ces méthodes dans les moteurs de recherche et les systèmes de recommandation automatisée.
  • mettre en oeuvre les algorithmes de fouille de données et d'extraction d'informations dans des logiciels de data mining ou de traitement statistique tels que S-Plus, R, SAS, Weka ou Matlab.
Contenu

Compléments de fouille de données

  • Analyse des corrélations canoniques
  • Analyse des correspondances
  • Régression partielle des moindres carrés
  • Modèles log-linéaires
  • Règles de l'Association

Prise de décision

  • Processus de décision de Markov et l'apprentissage par renforcement
  • Exploration / exploitation et les problèmes hostiles
  • Théorie de l'utilité
  • Modélisation des préférences multi-critères - la méthode Prométhée
  • Raisonnement probabiliste avec des réseaux bayésiens
  • Théorie des possibilités
  • Théorie des jeux à deux joueurs
  • Décisions collectives

Recherche d'information

  • Modèle de base d'espace vectoriel
  • Modèle probabiliste
  • Pages Web Ranking: PageRank, HITS, etc.
  • Modèles collaboratifs par recommandations (systèmes de recommandation).

Analyse de liens et l'exploration du web / graphique

  • Détection de la communauté réseau
  • Mesures de similarité entre les n'uds
  • Partitionnement de graphe spectral et cartographie
  • Modèles de réputation
Bibliographie
  • Alpaydin (2004), "Introduction to machine learning". MIT Press.
  • Bardos (2001), "Analyse discriminante. Application au risque et scoring financier. Dunod.
  • Bishop (1995), "Neural networks for pattern recognition". Clarendon Press.
  • Bishop (2006), "Pattern recognition and machine learning". Springer-Verlag.
  • Bouroche & Saporta (1983), "L'analyse des données". Que Sais-je.
  • Cornuéjols & Miclet (2002), "Apprentissage artificiel. Concepts et algorithmes". Eyrolles.
  • Duda, Hart & Stork (2001), "Pattern classification, 2nd ed". John Wiley & Sons.
  • Dunham (2003), "Data mining. Introductory and advanced topics". Prentice-Hall.
  • Greenacre (1984), "Theory and applications of correspondence analysis". Academic Press.
  • Han & Kamber (2005), "Data mining: Concepts and techniques, 2nd ed.". Morgan Kaufmann.
  • Hand (1981), "Discrimination and classification". John Wiley & Sons.
  • Hardle & Simar (2003), "Applied multivariate statistical analysis". Springer-Verlag. Disponible à http://www.quantlet.com/mdstat/scripts/mva/htmlbook/mvahtml.html
  • Hastie, Tibshirani & Friedman (2001), "The elements of statistical learning". Springer-Verlag.
  • Johnson & Wichern (2002), "Applied multivariate statistical analysis, 5th ed". Prentice-Hall.
  • Lebart, Morineau & Piron (1995), "Statistique exploratoire multidimensionnelle". Dunod.
  • Mitchell (1997), "Machine learning". McGraw-Hill.
  • Naim, Wuillemin, Leray, Pourret & Becker (2004), "Réseaux bayesiens". Editions Eyrolles.
  • Nilsson (1998), "Artificial intelligence: A new synthesis". Morgan Kaufmann.
  • Ripley (1996), "Pattern recognition and neural networks". Cambridge University Press.
  • Rosner (1995), "Fundamentals of biostatistics, 4th ed".Wadsworth Publishing Company.
  • Saporta (1990), "Probabilités, analyse des données et statistique". Editions Technip.
  • Tan, Steinbach & Kumer (2005), "Introduction to data mining". Pearson.
  • Theodoridis & Koutroumbas (2003), "Pattern recognition, 3th ed". Academic Press.
  • Therrien (1989), "Decision, estimation and classification". Wiley & Sons.
  • Venables & Ripley (2002), "Modern applied statistics with S. Springer-Verlag.
  • Webb (2002), "Statistical pattern recognition, 2nd ed". John Wiley and Sons.
Autres infos

Préalables :

  • LBIR1304 ou LFSAB1105 : un cours de calcul des probabilités et de statistique mathématique,
  • LBIR1200 ou LFSAB1101 : un cours de calcul matriciel,
  • LFSAB1402 : un cours de base de programmation.
Cycle et année
d'étude
> Master [120] en statistiques, orientation générale
> Master [120] en ingénieur de gestion
> Master [120] bioingénieur : sciences agronomiques
> Master [120] bioingénieur : sciences et technologies de l'environnement
> Master [120] bioingénieur : gestion des forêts et des espaces naturels
> Master [120] bioingénieur : chimie et bio-industries
> Master [120] en sciences informatiques
> Master [120] : ingénieur civil en informatique
> Certificat universitaire en statistique
> Master [120] en ingénieur de gestion
Faculté ou entité
en charge
> INFO


<<< Page précédente