5.00 crédits
30.0 h
Q1
Enseignants
Ait El Cadi Abdessamad (supplée Meskens Nadine); Meskens Nadine;
Langue
d'enseignement
d'enseignement
Français
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
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
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.
|
Méthodes d'enseignement
- Cours magistral
- Exercices intégrés au cours
- Utilisation de logiciels
- Etude de cas
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
Travail écrit à remettre sur le student corner.
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.
Faculté ou entité
en charge
en charge
CLSM
