> Formation > Cursus ingénieur
L’objectif de ce cours est de se familiariser avec les outils d’analyse de données, indispensables dans de nombreuses applications : marketing, segmentation d’utilisateurs, finance, économie, biologie, environnement…
Les outils présentés seront d’une part des outils statistiques pour une approche globales des données, et d’autre part des outils de data mining pour trouver des patterns caractéristiques de certaines zones des données ou de documents.
Le cours insistera à la fois sur les aspects théoriques et sur la pratique, par l’utilisation du logiciel R et de plusieurs algorithmes performants de pattern mining.
1. Régression linéaire multiple. Moindres carrés, modèle linéaire gaussien, tests d’hypothèses linéaires,
2. Analyse de la variance à un et deux facteurs contrôlés.
3. Analyse en Composantes Principales (ACP).
4. Classification, classification supervisée, analyse linéaire discriminante, classification non-supervisée, K-means.
5. Fouille de documents, recherche de patterns fréquents.
Cours de Probabilités Appliquées 1 et 2 de 1ère année, de Principes et Méthodes Statistiques de 1ère année
CONTRÔLE CONTINU :
Type d'évaluation (ex : TP, assiduité, participation) :
SESSION NORMALE :
Type d'examen (écrit, oral, examen sur machine) : un examen sur machine de 2 h (E) et un rapport à rendre sur les travaux pratiques (P)
Salle spécifique : salles de TP en configuration "examen" (pas de connection internet, etc.)
Durée : 2h
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : notes de cours, de TD, rapports de TP
Documents interdits (ex : livres, tous documents) : livres
Matériel (ex : calculatrices):
SESSION DE RATTRAPAGE :
Type d'examen (écrit, oral, examen sur machine) :
Salle spécifique :
Durée :
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) :
Documents interdits (ex : livres, tous documents) :
Matériel (ex : calculatrices):
N1=1/2E1+1/2P
N2=E2
CM BISHOP (2006) Pattern recognition and machine Learning. Springer
http://research.microsoft.com/en-us/um/people/cmbishop/prml/
C. CHATFIELD and AJ COLLINS (1980) Introduction to multivariate analysis. Science paperbacks
T HASTIE, R TIBSHIRANI, and J FRIEDMAN (2009). The Elements of Statistical Learning, 2d ed, Springer. http://www-stat.stanford.edu/~tibs/ElemStatLearn/
G. SAPORTA : Probabilités, statistique et analyse des données, Technip, 2006.
Nos sites
e-Services
