DATAMINING

Descriptif : L’objectif de cette ressource est de comprendre les principales méthodes d’apprentissage automatique supervisé, connaître leurs implémentations et savoir en interpréter les résultats. 

Contenus : 

• Définir les objectifs des méthodes apprentissage supervisé
• Déroulement d’une procédure d’apprentissage automatique supervisé (échantillons d’apprentissage, développement, test, ...)
• Arbres de décisions CART (classification et régression) Analyse discriminante linéaire dont le cas du Classifieur Bayesien naïf
• Méthode des K plus proches voisins 
• Applications sur variable-cible binaire ou multi-classes. 
• Traitement des variables qualitatives. Cas de fichiers mixtes. 
• Évaluation et comparaison des modèles (mesures d’évaluation, validation croisée, bootstrap) 

La mise en œuvre des méthodes se fera avec des Notebooks en Python.

Apprentissages critiques ciblés : 

• AC32.01 | Prendre conscience des différences entre des outils statistiques pour choisir le plus adapté 
• AC32.02 | Saisir l’importance de la mise en œuvre de méthodes adaptées à des domaines et des données spécifiques (Marketing, Biostatistique, Statistique spatiale, Gestion . . . ) 
• AC32.04 | Comprendre les mécanismes de bases de l’intelligence artificielle (apprentissage statistique supervisé, échantillons d’apprentissage et échantillons de test. . . ) 

Mots clés : Apprentissage supervisé – machine learning – modèles prédictifs – classement 

Volume horaire :  29 heures dont 10 heures de TP