 | Programme d’études 2021-2022 | English | |
| Data Mining | |||
Activité d'apprentissage |
| Code | Titulaire(s) | Co-Titulaire(s) | Suppléant(s) et autre(s) | Établissement(s) |
|---|---|---|---|---|
| I-MARO-014 |
|
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement |
|---|---|---|---|---|---|---|---|
| Français | Français | 18 | 18 | 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 multiple, ...)
- data mining / machine learning (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.
Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006.
R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012
K P Murphy. Machine learning: a probabilistic perspective. MIT press, 2012.
Mode d'enseignement
- Mixte
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