Science des Données

Contenus

Objectif du Cours

Ce cours vise à introduire les étudiants au processus d’exploration de données. Parmi les principaux objectifs du cours figurent la compréhension et l’utilisation des techniques de préparation et de prétraitement des données, de divers algorithmes d’exploration de données ainsi que des outils permettant d’évaluer leurs résultats. Le cours se concentre sur les approches standards liées à l’exploration des règles d’association, à la classification supervisée et à la classification non supervisée (clustering). Des connaissances statistiques de base sont nécessaires pour comprendre les algorithmes d’exploration et les outils d’évaluation de la qualité. Ainsi, le cours vise à permettre aux étudiants de produire des solutions pratiques dans le domaine de l’analyse des données.

Contenu du Cours

1. Introduction à l’exploration de données et à l’analytique prédictive
2. Prétraitement des données, analyse exploratoire des données
3. Méthodes de réduction de dimension, analyse statistique univariée
4. Statistiques multivariées, préparation des données pour la modélisation
5. Régression linéaire simple, régression multiple
6. Construction de modèles
7. Algorithme des k plus proches voisins, arbres de décision
8. Régression logistique, Naive Bayes et réseaux bayésiens
9. Examen partiel
10. Techniques d’évaluation des modèles
11. Évaluation graphique des modèles de classification
12. Clustering hiérarchique et k-means, mesure de la qualité des clusters
13. Règles d’association, méthodes d’ensemble (ensemble methods)
14. Présentations des étudiants

Acquis d'Apprentissage du Cours

L’étudiant qui réussit ce cours sera capable de :
1. Expliquer les principales étapes du processus d’exploration de données ainsi que le rôle de l’exploration de données dans l’analyse des données et l’analytique prédictive.
2. Appliquer des techniques de préparation des données, de prétraitement des données et d’analyse exploratoire des données.
3. Sélectionner et appliquer des méthodes fondamentales d’exploration de données telles que la régression, la classification et le clustering pour des problèmes appropriés.
4. Expliquer les principes de fonctionnement d’algorithmes tels que les k plus proches voisins, les arbres de décision, Naive Bayes et la régression logistique, et les appliquer à des ensembles de données.
5. Analyser la performance des modèles d’exploration de données en utilisant des techniques d’évaluation des modèles et de visualisation.
6. Interpréter des approches avancées d’exploration de données telles que les règles d’association et les méthodes d’ensemble (ensemble methods), et proposer des solutions pour des problèmes d’analyse de données.

Méthodes d'Enseignement

Exposé, Discussion, Démonstration et pratique guidée, Étude de cas, Résolution de problèmes, Apprentissage collaboratif, Projet, Remue-méninges.

Ressources

1. Data Mining - Practical Machine Learning Tools, 2nd edition, Ian H. Witten & Eibe Frank, Morgan Kaufmann, 2005.
2. Neural Networks - A Comprehensive Foundation, 2nd edition, Simon Haykin, Pearson/Prentice Hall,1999.
3. Data Mining: Concepts and Techniques, Jiawei Han & Micheline Kamber, Morgan Kaufmann, 2000.
4. Applied Statistics and Probabilities for Engineers, 4th edition, D.C. Montgomery & G.C. Runger, John Willey & sons, 2006.
5. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, T. Hastie, R. Tibshirani & J. Friedman, Springer, 2009.

Intitulés des Sujets

Système d'évalution

Evalution de la Compétence

Tableau de la Charge de Travail