Classification automatique et méthodes factorielles - IUT SD

  • ECTS

    4 crédits

  • Composante

    Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)

  • Volume horaire

    40h

Description

Ce cours est une première initiation au data mining descriptif. L’objectif est de chercher à simplifier les données pour faciliter ensuite leur analyse.

Les étudiants découvriront des algorithmes d’apprentissage automatique (machine learning) dont l’objectif est de classifier des objets. L’algorithme des $k$ plus proches voisins est un exemple d’algorithme d’apprentissage supervisé. Son objectif  est de donner un label à des données qui permet de les classer dans une certaine catégorie. On dispose d’un ensemble de  données labélisées qui servent à l’apprentissage et à la mesure de qualité des prédictions. Une fois  l’algorithme « entrainé » et testé, on peut l’employer afin qu’il prédise le label d’une nouvelle donnée.

Les méthodes factorielles seront également abordées, et notamment l’analyse en composantes principales (ACP), qui est la plus connue de ces méthodes. Elle permet de réduire le nombre de variables en trouvant de nouvelles variables qui en synthétisent plusieurs.

Lire moins

Objectifs

À la fin de cette UE, vous serez capable de :

  • Mettre en œuvre des algorithmes simples de classification automatique sous R, 
  • Mettre en œuvre des méthodes factorielles comme l’ACP.
Lire moins

Heures d'enseignement

  • CMCours Magistral13h
  • TDTravaux Dirigés13h
  • TPTravaux Pratique14h

Contrôle des connaissances

100% Contrôle Continu Intégral.

Lire moins

Compétences acquises

Compétences

Niveau d'acquisition

Analyse d'un questionnement en mobilisant des concepts disciplinairesTraduire un problème simple en langage mathématique3 - Maitrise
Mise en œuvre de méthodes et d'outils du champ disciplinaireConstruire et rédiger une démonstration mathématique synthétique et rigoureuse3 - Maitrise
Résoudre des équations (linéaires, algébriques, différentielles) de façon exacte.3 - Maitrise
Se servir aisément des bases du raisonnement probabiliste3 - Maitrise