Volumes horaires
- CM 16.5
- Projet -
- TD 9.0
- Stage -
- TP 9.0
- DS -
Crédits ECTS
Crédits ECTS 6.0
Objectif(s)
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.
Responsable(s)
Pedro Luiz COELHO RODRIGUES
Contenu(s)
1. Régression linéaire multiple. Moindres carrés, modèle linéaire gaussien, tests d’hypothèses linéaires , analyse de la variance à un facteur contrôlé.
2. Analyse en Composantes Principales (ACP).
3. Classification, classification supervisée, analyse linéaire discriminante, perceptron, Naive Bayes
4. Fouille de documents, représentation numérique des documents, lien avec le clustering de graphes
Notions usuelles en probabilités (loi, densité jointe de vecteurs, probabilité conditionnelle, espérance, variance, covariance, loi normale)
Notions usuelles en statistique mathématique (estimateur, intervalle de confiance, test). La connaissance de la régression linéaire simple est un plus.
Notions d'algèbre linéaire (réduction d'endomorphismes).
La connaissance du logiciel R et de RStudio est un plus.
Contrôle des connaissances
CONTRÔLE CONTINU :
Type d'évaluation (ex : TP, assiduité, participation) :
SESSION NORMALE :
Type d'examen (écrit, oral, examen sur machine) : un examen sur machine de 3h (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 : 3h
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : tout document manuscrit.
Documents interdits (ex : livres, tous documents) : tout document imprimé.
Matériel (ex : calculatrices):
- matériel autorisé, préciser :
- matériel interdit, préciser : ordinateur personnel, calculatrice
Commentaires :
SESSION DE RATTRAPAGE :
Type d'examen (écrit, oral, examen sur machine) : écrit
Salle spécifique :
Durée : 2h
Documents autorisés (ex : aucun, résumé feuille A4 manuscrite, dictionnaires, tous documents) : tout document manuscrit.
Documents interdits (ex : livres, tous documents) : tout document imprimé.
Matériel (ex : calculatrices):
- matériel autorisé, préciser :
- matériel interdit, préciser :
Commentaires :
- MCC en présentiel **
N1=1/2*TP en temps libre + 1/2*Examen écrit
N2=1/2*TP en temps libre + 1/2*Examen écrit ou oral
- MCC en présentiel **
- MCC en distanciel**
N1=1/2*TP en temps libre + 1/2*Devoir à la maison
N2=1/2*TP en temps libre + 1/2*Devoir à la maison ou oral
- MCC en distanciel**
L'examen existe uniquement en anglais 
Calendrier
Le cours est programmé dans ces filières :
- Cursus ingénieur - Master Informatique - Semestre 8 (ce cours est donné uniquement en anglais
)
Informations complémentaires
Code de l'enseignement : WMMCSADM
Langue(s) d'enseignement :
Vous pouvez retrouver ce cours dans la liste de tous les cours.
Bibliographie
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 (2006) : Probabilités, statistique et analyse des données, Technip.