Enseignants
Langue
d'enseignement
d'enseignement
Français
> English-friendly
> English-friendly
Préalables
- Programmation en python
- Algèbre linéaire
- Probabilités et statistiques élémentaires
Thèmes abordés
- Paradigmes et concepts en Data Science.
- Nettoyage des données : gestion des valeurs manquantes, transformation et normalisation des données, analyse exploratoire de données, ingénierie des caractéristiques ;
- Réduction de dimension et sélection des caractéristiques ;
- Apprentissage supervisé : régressions/classificateurs linéaires et non-linéaires (arbre de décision, réseaux neuronaux, SVM, ...), méthodes et métriques d'évaluation ;
- Apprentissage non-supervisé : (k-means, DBSCAN, méthodes hiérarchiques, etc.).
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 | Au terme de ce cours l'étudiant·e est capable de :
|
Méthodes d'enseignement
- Cours magistral
- Exercices intégrés au cours
- Utilisation de logiciels
- Etude de cas
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
Travail écrit à remettre sur le student corner.
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
en charge