ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Volume horaire
39h
Description
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.
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.
Heures d'enseignement
- CMCours Magistral13h
- TDTravaux Dirigés13h
- TPTravaux Pratique14h
Pré-requis obligatoires
L1-Miashs
Contrôle des connaissances
100% Contrôle Continu Intégral.
Compétences acquises
Compétences | Niveau d'acquisition | |
---|---|---|
Analyse d'un questionnement en mobilisant des concepts disciplinaires | Traduire un problème simple en langage mathématique | 3 - Maitrise |
Mise en œuvre de méthodes et d'outils du champ disciplinaire | Construire et rédiger une démonstration mathématique synthétique et rigoureuse | 3 - Maitrise |
Résoudre des équations (linéaires, algébriques, différentielles) de façon exacte. | 3 - Maitrise | |
Se servir aisément des bases du raisonnement probabiliste | 3 - Maitrise |