Entrepots de données et fouille de donées(INF 511)
| Nom du Cours | Semestre du Cours | Cours Théoriques | Travaux Dirigés (TD) | Travaux Pratiques (TP) | Crédit du Cours | ECTS | |
|---|---|---|---|---|---|---|---|
| INF 511 | Entrepots de données et fouille de donées | 1 | 3 | 0 | 0 | 3 | 6 |
| Cours Pré-Requis | |
| Conditions d'Admission au Cours |
| Langue du Cours | Anglais |
| Type de Cours | Électif |
| Niveau du Cours | Master |
| Enseignant(s) du Cours | Gülfem ALPTEKİN gulfem@gmail.com (Email) |
| Assistant(e)s du Cours | |
| Objectif du Cours | Le but de ce cours est d'introduire le processus de fouille de données aux étudiants. Ceci inclut la description des tâches de préparation des données et de pré-traitement, les algorithmes de fouille classiques, et les outils disponibles pour évaluer leurs résultats. Le cours se concentre sur les approches standardpour ce qui concerne la recherche de règles d'association, et la classification supervisée et non-supervisée. Des bases en statistiques sont nécessaires pour comprendre les algorithmes étudiés et les méthodes d'évaluation. |
| Contenus |
1. Introduction 2. Préparation des données 3. Règles d'association et algorithme a priori 4. FP-trees et règles complexes 5. Arbres de décision et classificateur de bayes naif 6. Régression statistique et réseaux bayesiens 7. Réseaux de neurones et autres classificateurs 8. Évaluation de la qualité de la classification 9. Comparaison de classificateurs 10. Distance et partitionnement 11. Méthode de partitionnement hiérarchiques 12. Partitionnement par grille et par densité 13. Traitement à base de modèles |
| Acquis d'Apprentissage du Cours |
1. Préparation des données 2. Savoir pratique et théorique concernant les méthodes de fouille 3. Outils d'évaluation standard |
| Méthodes d'Enseignement |
cours magistral projet bibliographique |
| Ressources |
• Data Mining - Practical Machine Learning Tools, 2nd edition, Ian H. Witten & Eibe Frank, Morgan Kaufmann, 2005. • Neural Networks - A Comprehensive Foundation, 2nd edition, Simon Haykin, Pearson/Prentice Hall,1999. • Data Mining: Concepts and Techniques, Jiawei Han & Micheline Kamber, Morgan Kaufmann, 2000. • Applied Statistics and Probabilities for Engineers, 4th edition, D.C. Montgomery & G.C. Runger, John Willey & sons, 2006. • The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, T. Hastie, R. Tibshirani & J. Friedman, Springer, 2009. |
Intitulés des Sujets Théoriques
| Semaine | Intitulés des Sujets |
|---|
Intitulés des Sujets Pratiques
| Semaine | Intitulés des Sujets |
|---|
Contribution à la Note Finale
| Numéro | Frais de Scolarité | |
|---|---|---|
| Contribution du contrôle continu à la note finale | 2 | 50 |
| Contribution de l'examen final à la note finale | 1 | 50 |
| Toplam | 3 | 100 |
Contrôle Continu
| Numéro | Frais de Scolarité | |
|---|---|---|
| Devoir | 0 | 0 |
| Présentation | 0 | 0 |
| Examen partiel (temps de préparation inclu) | 1 | 25 |
| Projet | 1 | 25 |
| Travail de laboratoire | 0 | 0 |
| Autres travaux pratiques | 0 | 0 |
| Quiz | 0 | 0 |
| Devoir/projet de session | 0 | 0 |
| Portefeuille | 0 | 0 |
| Rapport | 0 | 0 |
| Journal d'apprentissage | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 |
| Séminaire | 0 | 0 |
| Autre | 0 | 0 |
| Toplam | 2 | 50 |
| No | Objectifs Pédagogiques du Programme | Contribiton | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | X | |||||
| 2 | X | |||||
| 3 | X | |||||
| 4 | X | |||||
| 5 | X | |||||
| 6 | X | |||||
| 7 | X | |||||
| 8 | X | |||||
| 9 | X | |||||
| 10 | X | |||||
| 11 | X | |||||
| 12 | X | |||||
| 13 | X | |||||
| Activités | Nombre | Durée | Charge totale de Travail |
|---|---|---|---|
| Durée du cours | 12 | 3 | 36 |
| Examen partiel (temps de préparation inclu) | 1 | 3 | 3 |
| Projet | 1 | 3 | 3 |
| Charge totale de Travail | 42 | ||
| Charge totale de Travail / 25 | 1.68 | ||
| Crédits ECTS | 2 | ||