Data mining and decision making

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

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.

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.

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».

• Deux projets en cours d'annee: chacun compte pour 3/20
• Examen oral: 14/20

Compléments de fouille de données (méthodes statistiques multivariées)

• Analyse des corrélations canoniques
• Analyse des correspondances
• Modèles log-linéaires
• Analyse discriminante
• Multidimensional scaling
• Modèles de Markov et modèles de Markov cachés
• etc

Prise de décision

• Processus de décision de Markov et l'apprentissage par renforcement
• Exploration / exploitation
• 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 / réseaux

• Détection de la communauté réseau
• Mesures de similarité entre les noeuds
• Partitionnement de graphe spectral et cartographie

Modèles de réputation

Support de cours : transparents de l'enseignant et lectures recommandées :

• 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.

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.