Data Mining/Machine learning

Ects : 4

Enseignant responsable :

  • GEOVANI RIZK

Volume horaire : 36

Description du contenu de l'enseignement :

L’évaluation se fait par examen et par un challenge Kaggle (kaggle.com)

- 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