Data mining & decision making

lsinf2275  2018-2019  Louvain-la-Neuve

Data mining & decision making
5 credits
30.0 h + 15.0 h
Q2
Teacher(s)
Language
English
Main themes
Le cours est articulé autour de quatre thèmes,
  1. Compléments de fouille de données
  2. Prise de décision,
  3. Recherche d'information,
  4. Analyse de liens et l'exploration du web / graphique.
Aims

At the end of this learning unit, the student is able to :

1

Eu égard au référentiel AA du programme « Master ingénieur civil en informatique », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

  • INFO1.1-3
  • INFO2.2-3
  • INFO5.2

Eu égard au référentiel AA du programme « Master [120] en sciences informatiques », ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :

  • SINF1.M4
  • SINF2.2-3
  • SINF5.2

Les étudiants ayant suivi avec fruit ce cours seront capables de

  • expliquer et appliquer des méthodes de fouille de données (data mining), tant qualitatives que quantitatives, dans le cadre de la prise de décision.
  • avoir un jugement critique sur les méthodes de fouilles de données en fonction de leur champ d'application.
  • maîtriser des méthodes d'extraction et recherche d'informations (information retrieval) dans de très larges collections de données, éventuellement enrichies d'une structure de liens (WEB, réseaux sociaux...).
  • expliquer l'application de ces méthodes dans les moteurs de recherche et les systèmes de recommandation automatisée.
  • mettre en oeuvre les algorithmes de fouille de données et d'extraction d'informations dans des logiciels de data mining ou de traitement statistique tels que S-Plus, R, SAS, Weka ou Matlab.
 

The contribution of this Teaching Unit to the development and command of the skills and learning outcomes of the programme(s) can be accessed at the end of this sheet, in the section entitled “Programmes/courses offering this Teaching Unit”.
Content
Le contenu varie d'année en année, mais les chapitres précédés d'une * sont toujours enseignés.
* Compléments de fouille de données (méthodes statistiques multivariées)
  • Analyse en composantes principales
  • Analyse des corrélations canoniques
  • Analyse des correspondances
  • Modèles log-linéaires
  • Analyse discriminante
  • Multidimensional scaling
  • Modèles de Markov et modèles de Markov cachés
  • etc
* Prise de décision
  • * programmation dynamique et applications
  • * Processus de décision de Markov et l'apprentissage par renforcement
  • * Exploration / exploitation
  • Théorie de l'utilité
  • Modélisation des préférences multi-critères - la méthode Prométhée
  • Raisonnement probabiliste avec des réseaux bayésiens
  • Théorie des possibilités
  • Théorie des jeux à deux joueurs
  • Décisions collectives
* Recherche d'information
  • Modèle de base d'espace vectoriel
  • Modèle probabiliste
  • Pages Web Ranking: PageRank, HITS, etc.
  • Modèles collaboratifs par recommandations (systèmes de recommandation).
* Analyse de liens et l'exploration du web / réseaux
  • Détection de la communauté réseau
  • Mesures de similarité entre les noeuds
  • Partitionnement de graphe spectral et cartographie
* Modèles de réputation et de recommandation collaborative
Evaluation methods
  • Deux projets en cours d'annee comptant au total pour 6/20 ou 7/20, selon l'ampleur du second projet (déterminé en début d'année académique)
  • Examen oral: 14/20 ou 13/20
Other information
Préalables :
  • LBIR1304 ou LFSAB1105 : un cours de calcul des probabilités et de statistique mathématique,
  • LBIR1200 ou LFSAB1101 : un cours de calcul matriciel,
  • LFSAB1402 : un cours de base de programmation.
Bibliography
Support de cours : transparents de l'enseignant et lectures recommandées :
  • Alpaydin (2004), "Introduction to machine learning". MIT Press.
  • Bardos (2001), "Analyse discriminante. Application au risque et scoring financier. Dunod.
  • Bishop (1995), "Neural networks for pattern recognition". Clarendon Press.
  • Bishop (2006), "Pattern recognition and machine learning". Springer-Verlag.
  • Bouroche & Saporta (1983), "L'analyse des données". Que Sais-je.
  • Cornuéjols & Miclet (2002), "Apprentissage artificiel. Concepts et algorithmes". Eyrolles.
  • Duda, Hart & Stork (2001), "Pattern classification, 2nd ed". John Wiley & Sons.
  • Dunham (2003), "Data mining. Introductory and advanced topics". Prentice-Hall.
  • Greenacre (1984), "Theory and applications of correspondence analysis". Academic Press.
  • Han & Kamber (2005), "Data mining: Concepts and techniques, 2nd ed.". Morgan Kaufmann.
  • Hand (1981), "Discrimination and classification". John Wiley & Sons.
  • Hardle & Simar (2003), "Applied multivariate statistical analysis". Springer-Verlag. Disponible à http://www.quantlet.com/mdstat/scripts/mva/htmlbook/mvahtml.html
  • Hastie, Tibshirani & Friedman (2001), "The elements of statistical learning". Springer-Verlag.
  • Johnson & Wichern (2002), "Applied multivariate statistical analysis, 5th ed". Prentice-Hall.
  • Lebart, Morineau & Piron (1995), "Statistique exploratoire multidimensionnelle". Dunod.
  • Mitchell (1997), "Machine learning". McGraw-Hill.
  • Naim, Wuillemin, Leray, Pourret & Becker (2004), "Réseaux bayesiens". Editions Eyrolles.
  • Nilsson (1998), "Artificial intelligence: A new synthesis". Morgan Kaufmann.
  • Ripley (1996), "Pattern recognition and neural networks". Cambridge University Press.
  • Rosner (1995), "Fundamentals of biostatistics, 4th ed".Wadsworth Publishing Company.
  • Saporta (1990), "Probabilités, analyse des données et statistique". Editions Technip.
  • Tan, Steinbach & Kumer (2005), "Introduction to data mining". Pearson.
  • Theodoridis & Koutroumbas (2003), "Pattern recognition, 3th ed". Academic Press.
  • Therrien (1989), "Decision, estimation and classification". Wiley & Sons.
  • Venables & Ripley (2002), "Modern applied statistics with S. Springer-Verlag.
  • Webb (2002), "Statistical pattern recognition, 2nd ed". John Wiley and Sons.
Faculty or entity


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

Title of the programme
Sigle
Credits
Prerequisites
Aims
Master [120] : ingénieur civil en science des données
5

Master [120] : ingénieur civil en informatique
5

Master [120] : bioingénieur en sciences agronomiques
5

Master [120] : bioingénieur en chimie et bioindustries
5

Master [120] : bioingénieur en sciences et technologies de l'environnement
5

Master [120] : bioingénieur en gestion des forêts et des espaces naturels
5

Master [120] en statistique, orientation générale
5

Master [120] en sciences informatiques
5

Master [120] : ingénieur civil en mathématiques appliquées
5

Master [120] en science des données, orientation statistique
5

Master [120] en science des données, orientation technologies de l'information
5