Ects : 4

Enseignant responsable :

• YANN CHEVALEYRE

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 Python