Ects : 3
Volume horaire : 24

Description du contenu de l'enseignement :

- Introduction - Objectifs et panorama du datamining et du Machine learning - Méthodes non supervisées : Réduction de dimensionnalité Clustering : K-means, CAH Approches probabilistes : EA Approches spectrales Application à une segmentation marketing Application au Text Mining Règles d ’ association -Méthodes supervisées : Régression logistique Arbre de Décision Méthodes à Noyaux Approches neuronales Application au scoring

Compétence à acquérir :

Il s'agit d'initier les étudiants à l ’ apprentissage automatique (machine learning) et à la pratique de la fouille (data mining) et l ’ extraction de connaissances à partir des grandes masses de données. Il sera illustré par des cas concrets des exemples réalisés en session avec le logiciel R. L ’ évaluation se fait par examen et par un challenge Kaggle (kaggle.com)