Apprentissages Automatiques appliqués
Enseignant responsable :
- KEVIN VU
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)