Objectifs de la formation
Donner aux élèves un aperçu et la pratique des bases de cette discipline. Un tour non exhaustif des méthodes les plus utilisées sur des données transactionnelles (ce sont en général des données non-image car les données images nécessitent d'autres traitements).
Mots-clés
Fouille de données, Extraction de connaissances à partir de données, Data Science, Machine learning.
Programme
- La problématique scientifique de l'apprentissage artificiel (Machine Learning)
- Formalisation et fondements Algorithmiques / Statistiques
- Quelques applications typiques
- Apprentissage supervisé, Non-(et semi-) supervisé,
- Classification, régression, association (Introduction à la fouille de textes) - Arbres de décision / de régression
- Méthodes statistiques (Bayes, SVM, Méthodes à base de noyaux)
- Méthodes et indicateurs d'évaluation statistiques
- Méthodes de Classification (Clustering)
- Règles de classification / d'association
- Méthodes importantes de pré et post-traitement des données
- Evaluation et exploitation des Connaissances extraites
Compétences visées
- Initiation & pratique de Data Science : en présence des données, l'élève devrait être capable de choisir les méthodes applicables. Il devrait ensuite pouvoir évaluer les résultats et choisir la meilleure méthode.
- Rappel des éléments statistiques (de base).
- Apporter un outil d'aide à la décision.
Évaluation
Test écrit + BEs. Savoir : 66% Savoir Faire (rendus des BEs) : 33%