 | Programme d’études 2018-2019 | English | |
 | Data Mining | ||
Activité d'apprentissage à la Faculté des Sciences |
| Code | Titulaire(s) | Co-Titulaire(s) | Suppléant(s) et autre(s) |
|---|---|---|---|
| I-MARO-014 |
|
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement |
|---|---|---|---|---|---|---|---|
| Français | Français | 30 | 6 | 0 | 0 | 0 | Q1 |
Contenu de l'AA
- techniques descriptives comme l'analyse en composantes principales et l'analyse factorielle discriminante
- modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire)
- data mining (méthodes de classification, supervisée et non-supervisée)
Supports principaux non reproductibles
- diapositives des présentations orales (théorie et exemples) - syllabus d'exercices pratiques
Support complémentaires non reproductibles
syllabus de théorie et exercices pratiques
Autres références conseillées
R.O.Duda, P.E.Hart, D.G.Stork. "Pattern Classification". John Wiley and Sons, 2000.
I. H. Witten, E. Frank. Data Mining : "Practical Machine Learning Tools and Techniques with Java Implementations". Morgan Kaufmann, 2010
J-M. Azaïs, J-M. Bardet, "Le Modèle Linéaire par l'exemple : Régression, Analyse de la Variance et Plans d'Expériences. Illustrations numériques avec les logiciels R, SAS et Splus", Dunot, 2006
R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012
Mode d'enseignement
- Face à face
Types d'activités
- Cours magistraux
- Travaux pratiques
- Projet sur ordinateur
- Etudes de cas
Evaluations
Les modalités d'évaluation de l'AA sont précisées dans la fiche de l'UE dont elle dépend