Il s'agit de mettre en œuvre de manière complémentaire, à l’aide de logiciels informatiques, les méthodes statistiques de traitement et d’analyse de données et à en interpréter les résultats ; de la capacité à structurer et à présenter sous une forme appropriée pour la prise de décision les résultats du traitement et de l’analyse des données, mettant en évidence les informations sous-jacentes et pertinentes.

1. Règles d’association,
2. Méthode du plus proche voisin,
3. Approches de k-means, k-medoïds et hiérarchiques,
4. Arbres de décision,
5. Forêts aléatoires,
6. Technique ensembliste pour l’analyse prédictive.

Voir la page complète

Les grandes masses de données (Big Data) sont un domaine en pleine croissance et les compétences dans ce domaine sont parmi les plus demandées aujourd’hui. Le gros problème, c’est que les données sont volumineuses - la taille, la complexité et la diversité des ensembles de données augmentent chaque jour.

1. Présentation de la problématique des grandes masses de données,
2. Présentation de certaines des approches statistiques et mathématiques permettant de les analyser,
3. Méthodes basées sur l’apprentissage machine pour l’analyse de grands ensembles de données et pour l’extraction d’informations.

Voir la page complète

Sous une forme écrite ou vocale, le texte élaboré en langue naturel reste le seul véhicule fiable pour la transmission d’information entre humains, en particulier pour communiquer des concepts abstraits. Le recours à des solutions algorithmiques efficaces devient crucial si l’objectif est son utilisation massive en tant que donnée. Il s’agit donc d’un cours d’algorithmique, mais dont l’objet est focalisé sur la manipulation du texte.

1. Automates, Motifs et Langages réguliers ;
2. Méthodes de recherche de régularités locales ;
3. Analyseurs lexicaux, syntaxiques et sémantiques ;
4. Approches symboliques vs. approches numériques.

Voir la page complète

Maitriser les différents modèles de réseaux de neurones pour de l’apprentissage supervisé et les adaptés au contexte d’une problématique donnée. Description :

1. Notions d’apprentissage profond supervisé;
2. Différentes topologies pour les modèles à convolution, exemple les auto-encodeurs;
3. Différentes topologies pour les modèles récurrents, exemple le LSTM;
4. Exemples de modèles hybrides ;
5. Le principe du Transfert Learning

Voir la page complète