Description du cours et modalités pédagogiques :

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 algorithme 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.

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.

L1-Miashs

100% Contrôle Continu Intégral.