Data Mining

mlsmm2151  2019-2020  Mons

Data Mining
Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h
Q1
Enseignants
Lebichot Bertrand (supplée Meskens Nadine); Meskens Nadine;
Langue
d'enseignement
Français
Préalables
- Statistique
Thèmes abordés
- Introduction au Data Mining
- Le processus général de découverte de connaissances
- Les arbres de décision : algorithmes CART et ID3
- Cross-validation, bootstrap
- Le surapprentissage, l'élagage des arbres
- Le bagging, le boosting, l'arcing
- Les forêts aléatoires
- Sélection des modèles : La courbe ROC
- Analyse du panier de la ménagère
- Les réseaux de neurones supervisés
- Le clustering : méthodes Hiérarchiques, K-means
- Les ensembles approximatifs
- Applications et Tendances actuelles en data mining
- Logiciels TANAGRA et SAS enterprise Miner
 
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1
Au terme de ce cours l'étudiant est capable de :
- D'extraire de la connaissance contenue dans de grands volumes de données à partir de données réelles et à l'aide de logiciels de Data Mining tels que SAS enterprise Miner et TANAGRA ;
- Interpréter les résultats fournis  par ces logiciels
- Décrire les principes des méthodes d'apprentissage supervisés et non supervisées vues au cours
- Utiliser les méthodes adéquates face à un problème donné
- Lire et comprendre des articles de recherche relatifs à un problème de gestion et utilisant des méthodes de data mining.
 
 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Méthodes d'enseignement
  • Cours magistral
  • Exercices intégrés au cours
  • Utilisation de logiciels
  • Etude de cas
Modes d'évaluation
des acquis des étudiants
Examen oral
Bibliographie
  • HAN J., KAMBER M. (2006), Data mining: concepts and techniques, 2nd ed. Morgan Kaufmann.
  • TUFFERY S. (2007), Data Mining et statistique décisionnelle : l'intelligence dans les bases de données, Technip.
Faculté ou entité
en charge
CLSM


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur de gestion

Master [120] : ingénieur de gestion