<- Archives UCL - Programme d'études ->

Data Mining [ MQANT2113 ]

5.0 crédits ECTS 30.0 h + 0.0 h 1q

Enseignant(s)	Meskens Nadine ;
Langue d'enseignement:	Français
Lieu de l'activité	Mons
Préalables	- Statistique
Thèmes abordés	- Introduction au Data Mining - Le processus général de découverte de connaissances - Les arbres de décision : algorithmes CART et ID3 - Cross-validation, bootstrap - Le surapprentissage, l'élagage des arbres - Le bagging, le boosting, l'arcing - Les forêts aléatoires - Sélection des modèles : La courbe ROC - Analyse du panier de la ménagère - Les réseaux de neurones supervisés - Le clustering : méthodes Hiérarchiques, K-means - Les ensembles approximatifs - Applications et Tendances actuelles en data mining - Logiciels TANAGRA et SAS enterprise Miner
Acquis d'apprentissage	Au terme de ce cours l'étudiant est capable de : - D'extraire de la connaissance contenue dans de grands volumes de données à partir de données réelles et à l'aide de logiciels de Data Mining tels que SAS enterprise Miner et TANAGRA ; - Interpréter les résultats fournis par ces logiciels - Décrire les principes des méthodes d'apprentissage supervisés et non supervisées vues au cours - Utiliser les méthodes adéquates face à un problème donné - Lire et comprendre des articles de recherche relatifs à un problème de gestion et utilisant des méthodes de data mining.
Modes d'évaluation des acquis des étudiants	Examen oral
Méthodes d'enseignement	Cours magistral Exercices intégrés au cours Utilisation de logiciels Etude de cas
Bibliographie	HAN J., KAMBER M. (2006), Data mining: concepts and techniques, 2nd ed. Morgan Kaufmann. TUFFERY S. (2007), Data Mining et statistique décisionnelle : l'intelligence dans les bases de données, Technip.
Cycle et année d'étude	> Master [120] en ingénieur de gestion > Master [120] en ingénieur de gestion
Faculté ou entité en charge	> BLSM

<<< Page précédente