UCL - Etudes

English version

Formations
Premier cycle
Deuxième cycle
Troisième cycle
Certificats (programmes non académiques)
Passerelles
Formation continue
Facultés et entités
Cadre académique
Réforme de Bologne
Accès aux études
Organisation des études
Lexique
Calendrier académique
Règlement des études et examens
Charte pédagogique
Renseignements généraux
Recherche
Simple
Détaillée
Par cours

Data Mining [STAT2550]
[15h+15h exercices] 5 crédits

English version

Version imprimable

Cette activité se déroule pendant le 2ème semestre

Enseignant(s):

Libei Chen

Langue d'enseignement :

français

Niveau :

Deuxième cycle

>> Objectifs (en termes de compétences)
>> Objet de l'activité (principaux thèmes à aborder)
>> Résumé : Contenu et Méthodes
>> Autres informations (Pré-requis, Evaluation, Support, ...)
>> Autres crédits de l'activité dans les programmes

Objectifs (en termes de compétences)

Au terme du cours l'étudiant aura acquis des connaissances de base sur la méthodologie et les outils du data mining pour le traitement de grandes bases de données d'entreprises. Il aura conscience des spécificités et de l'apport du data mining par rapport à la statistique classique et sera capable de traiter des études de cas avec un logiciel dédicacé.

Objet de l'activité (principaux thèmes à aborder)

- Domaines d'application du data mining.
- Etapes types de la méthodologie du data mining.
- Echantillonnage et partitionnement de la base de données.
- Prétraitement et validation des données.
- Exploration, réduction et transformation des variables.
- Outils de modélisation et de classification du data mining (présentation générale).
- Arbres de décision.
- Réseaux de neurones.
- Outils de validation du modèle.
- Etudes de cas.

Résumé : Contenu et Méthodes

- Introduction au data mining
o Data et systèmes du data mining
o Domaines d'application du data mining
o Processus et méthodologie du data mining
o Data mining dans le domaine du Customer Relationship Management (CRM)
o Statistique classique et data mining
- Préparation des données pour data mining
o Principales étapes dans la préparation des données
o Spécification des données pour le data mining
o Extraction et agrégation des données
o Audit et exploration des données
o Pré-traitement des données

- Modélisation prédictive
o Arbres de décision
o Réseaux de neurones
o Validation et choix de modèles

- Modélisation descriptive
o Clustering
o K-means
o Kohonen Self-Organising Map

- Etudes de cas

Autres informations (Pré-requis, Evaluation, Support, ...)

Ouvrages de référence

1. Berry M. and G. Linoff (2000), "Matering Data Mining, The Art and Science of Customer Relationship Management", John Wiley.
2. Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford.
3. Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984), "Classification and Regression Trees", Wadsworth, Inc., Belmont, California.
4. Han J. and M. Kamber (2000), "Data Mining: Concepts and Techniques", Morgan Kaufmann,.
5. Hastie Tr., R. Tibshirani and J. Friedman (2001), "The Elements of Statistical Learning -Data Mining, Inference and Prdiction", Springer.
6. Haykin S., "Neural Networks: A comprehensive Foundation", Prentice Hall, 1999
7. Kohonen T. (1995), "Self-Organizing Maps", Springer Series in Information Sciences, Oxford University Press.
8. Piatetsky-Shapiro G. and W. J. Frawley (1991), "Knowledge Discovery in Databases", AAAI/MIT Press.
9. Piatetsky-Shapiro G., U. Fayyad, and P. Smith (1996). "From data mining to knowledge discovery: An overview", In U.M. Fayyad, et al. (eds.), Advances in Knowledge Discovery and Data Mining, 1-35. AAAI/MIT Press,.
10. Pyle D. (2000), "Data Prepation for Data Mining", Morgan Kaufman.
11. Richard O. Dula, Pete E. Hart and David G. Stork (2000), "Pattern Classification", John Wiley, Second edition.
12. Van Hulle M. (2000), "Faithful Representations and Topographic Maps: From Distortion- to Information-Based Self-Organization", John Willey

Autres crédits de l'activité dans les programmes

ECGE3DS/MK

Diplôme d'études spécialisées en économie et gestion (Master in business administration) (marketing)

(5 crédits)

Obligatoire

ECGE3DS/SC

Diplôme d'études spécialisées en économie et gestion (Master in business administration) (Supply Chain Management)

(5 crédits)

Obligatoire

STAT21MS/DM

Première année du master en statistique, orientation générale, à finalité spécialisée (data management et data mining)

(5 crédits)

Obligatoire

STAT21MS/EA

Première année du master en statistique, orientation générale, à finalité sécialisée (économie et assurance)

(5 crédits)

STAT21MS/MS

Première année du master en statistique, orientation générale, à finalité spécialisée (marketing et sondage)

(5 crédits)

STAT22MS/DM

Deuxième année du master en statistique, orientation générale, à finalité spécialisée (data management et data mining)

(5 crédits)

Obligatoire

STAT22MS/EA

Deuxième année du master en statistique, orientation générale, à finalité spécialisée (économie et assurance)

(5 crédits)

STAT22MS/MS

Deuxième année du master en statistique, orientation générale, à finalité spécialisée (marketing et sondage)

(5 crédits)

STAT3DA/E

diplôme d'études approfondies en statistique (statistique et économétrie)

(5 crédits)

STAT3DA/P

diplôme d'études approfondies en statistique (pratique de la statistique)

(5 crédits)



Ce site a été conçu en collaboration avec ADCP, ADEF, CIO et SGSI
Responsable : Jean-Louis Marchand - Contact : issec@stat.ucl.ac.be
Dernière mise à jour :13/03/2007