5.00 crédits
30.0 h + 15.0 h
Q2
Enseignants
Nijssen Siegfried;
Langue
d'enseignement
d'enseignement
Thèmes abordés
Une tâche importante dans l'exploration de données consiste à découvrir des motifs dans les données. Ces motifs sont des structures récurrentes dans les données; ils peuvent fournir des explications interprétables pour les observations dans les données, peuvent aider à mieux comprendre la structure des données, peuvent être utilisés pour construire de meilleurs modèles, et peuvent être utilisés pour résoudre d'autres tâches (telles que la constructions d'index dans des bases de données ou la compression de données). Les motifs peuvent être trouvés dans beaucoup de formes de données différentes, y compris des données des supermarchés, des compagnies d'assurance, des expériences scientifiques, des réseaux sociaux, des projets de logiciel, et ainsi de suite.
Ce cours offrira une introduction en profondeur à l'extraction de motifs. Après une introduction aux principes de base de l'extraction de motifs, il fournira une discussion en profondeur d'un certain nombre de techniques avancées d'extraction de motif.
Les sujets qui seront discutés sont:
- Catégories de tâches d'extraction de motifs, y compris l'extraction de motifs et d'ensemble de motifs, l'extraction de motifs supervisée ou non, les types de jeux de données et les fonctions de score des motifs ;
- Algorithmes pour résoudre différentes tâches d'extraction de motifs;
- Les structures de données pour rendre l'extraction des motifs plus efficace;
- La mise en 'uvre d'algorithmes d'extraction de motifs ;
- Fondements mathématiques pour les différentes catégories de tâches d'extraction de motifs;
- Classes de complexité en lien avec l'extraction de motifs ;
- Applications de l'extraction de motifs, avec un accent particulier sur l'application des techniques d'extraction de motifs dans l'ingénierie logicielle.
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
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 :
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 :
Les étudiants ayant suivi avec fruit ce cours seront capables de
|
Contenu
- Extraction dans des collections d'objets les plus fréquentes : algorithmes, structures de données;
- Extraction dans des collections d'objects basée sur des contraintes: algorithmes, structures de données;
- Extraction de motifs dans des séquences, arbres, graphes: algorithmes, structures de données, classes de complexité;
- Extraction de motifs dans des données supervisées: fonctions de score, algorithmes;
- Extraction d'ensemble de motifs dans des données supervisées: fonctions de score, modèles (arbres de décision, boosting), algorithmes
- Extraction d'ensemble de motifs dans des données non supervisées: fonctions de score (principe de longueur de description minimale, entropie maximale), algorithmes
- Applications de l'extraction de motifs: dépôts de logiciels, traces, log files, chimio-informatique, bioinformatique, applications industrielles
Méthodes d'enseignement
- Cours magistraux
- Travaux pratiques
- 3 projets
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
The final grade is determined by 3 projects and an exam that is organized at the end of the semester.
The grade is calculated following a 75% / 25% rule (final written exam / participation and grade obtained for projects during the semester). Every project counts equally.
Failure to comply with the methodological instructions communicated by the teacher, particularly with regard to the use of online resources or collaboration between students, will result in an overall mark of 0. The use of generative AI tools without prior permission is strictly prohibited.
The grade is calculated following a 75% / 25% rule (final written exam / participation and grade obtained for projects during the semester). Every project counts equally.
Failure to comply with the methodological instructions communicated by the teacher, particularly with regard to the use of online resources or collaboration between students, will result in an overall mark of 0. The use of generative AI tools without prior permission is strictly prohibited.
Autres infos
During this course students wil have to implement a number of projects in Python. This course is impossible to follow without prior knowledge of Python. Hence, students should have followed a prior course in Python, such LEPL1401, LINFO1101 or LSINC1101.
Ressources
en ligne
en ligne
Bibliographie
Charu C. Aggarwal, Jiawei Han (Eds.), Frequent Pattern Mining, Springer 2014 (ISBN: 978-3-319-07820-5)
Chapitres de
Siegfried Nijssen, Albrecht Zimmermann and Luc De Raedt, Essentials of Pattern Mining.
Chapitres de
Siegfried Nijssen, Albrecht Zimmermann and Luc De Raedt, Essentials of Pattern Mining.
Faculté ou entité
en charge
en charge
INFO
Programmes / formations proposant cette unité d'enseignement (UE)
Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
d'apprentissage
Master [120] en science des données, orientation statistique
Master [120] : ingénieur civil en informatique
Master [120] en sciences informatiques
Master [120] : ingénieur civil en mathématiques appliquées
Master [120] : ingénieur civil en science des données
Master [120] en science des données, orientation technologies de l'information