Outils pour utilisateurs

Outils du site


formations:masters:ue:m2:fdad9

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentesRévision précédente
formations:masters:ue:m2:fdad9 [2023/04/21 09:12] – supprimée - modification externe (Unknown date) 127.0.0.1formations:masters:ue:m2:fdad9 [2023/04/21 09:12] (Version actuelle) – ↷ Page déplacée de formations:masters:cours:m2:fdad9 à formations:masters:ue:m2:fdad9 treinen
Ligne 1: Ligne 1:
 +~~NOTOC~~
 +
 +====== Fouille de Données ======
 +
 +===== Description =====
 +
 +La science des données (//Data Science//) et l'apprentissage (//Machine Learning//)
 +sont fondés sur un socle commun de connaissances des données,
 +de notions statistiques et d'algorithmiques. Ce socle s'est popularisé
 +sous le nom de //Data Mining//, que nous traduisons en "Fouille de Données".
 +
 +Dans ce cours nous donnons les bases importantes qui introduisent
 +au métier de Data Scientist, mais nous abordons beaucoup les méthodes
 +d'apprentissage, et les bonnes pratiques.
 +Les TDs accompagnent naturellement le cours, et sont en python, à l'aide
 +de la puissante librairie sklearn.
 +
 +L'évaluation se fait principalement par projet personnel, éventuellement en
 +binôme, lors d'une soutenance en fin de trimestre.
 +
 +===== Syllabus =====
 +
 +==== Sujets centraux ====
 +
 +Dans l'ordre du temps passé dessus, qui est environ l'ordre inverse chronologique:
 +
 +  - Apprentissage supervisé: K Nearest Neighbors, Decision Trees, Random Forests, SVM, Réseaux de Neurones.
 +  - Apprentissage non supervisé: Clustering, Moteurs de Recommendations.
 +  - Feature Engineering
 +  - Apprentissage statistique: Regression Linéaire, Régression Logistique, Naive Bayes.
 +  - Prise en main de Python pour ceux qui débutent ou qui sont rouillés.
 +  - Rappels de bases de statistiques.
 +  - Prise de recul sur les nombres et "ce qu'on fait dire aux nombres": esprit critique.
 +
 +==== Sujets potentiellement traités ====
 +  * Analyse en Composants Principales.
 +
 +===== Pré-requis =====
 +
 +  * Savoir programmer
 +  * Ne pas être allergique aux mathématiques