M2 SIOD (FDA)
Canevas
L’objectif: Ce cours représente un approfondissement des concepts appris dans la matière IFD (introduction à la fouille de données) vu dans le M1. Il vise à permettre aux étudiants de maitriser les techniques d’extraction des différents types de connaissances telles que les motifs fréquents, les modèles de prédiction et de description à travers l’utilisation du logiciel Weka utilisé en M1 au niveau des TPs. L’accent doit être mis sur l’utilisation de ces techniques pour l’analyse des grandes quantités de données c-à-d leur optimisation en réalisation des TP de programmation.
Connaissances préalables recommandées:
Introduction à la fouille de données
Contenu de la matière :
Chap1 : Introduction et rappels
Chap2 : Recherche des modèles fréquents, corrélations et associations
Concepts de base
Méthodes efficaces pour la recherche des modèles fréquents
Types de motifs fréquents
Passage aux règles d’association
Analyse des corrélations supervisées
Chap3: Classification Supervisée
Arbres de décision
Réseaux de neurones
Machines à vecteur support
Réseaux bayésiens
Chap4: Régression
Définition
Régression linéaire simple
Régression linéaire multiple
Régression non linéaire
SVM pour la régression (SVR)
Chap4: Clustering
Mesures de similarités
Clustering hiérarchique
Clustering partitionnel
Clustering incrémental
SVM pour le clustering (SVC)
|