Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentesRévision précédente | |||
formations:masters:ue:m2:fdad9 [2023/04/21 09:12] – supprimée - modification externe (Unknown date) 127.0.0.1 | formations: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' | ||
+ | sont fondés sur un socle commun de connaissances des données, | ||
+ | de notions statistiques et d' | ||
+ | sous le nom de //Data Mining//, que nous traduisons en " | ||
+ | |||
+ | Dans ce cours nous donnons les bases importantes qui introduisent | ||
+ | au métier de Data Scientist, mais nous abordons beaucoup les méthodes | ||
+ | d' | ||
+ | Les TDs accompagnent naturellement le cours, et sont en python, à l'aide | ||
+ | de la puissante librairie sklearn. | ||
+ | |||
+ | L' | ||
+ | binôme, lors d'une soutenance en fin de trimestre. | ||
+ | |||
+ | ===== Syllabus ===== | ||
+ | |||
+ | ==== Sujets centraux ==== | ||
+ | |||
+ | Dans l' | ||
+ | |||
+ | - Apprentissage supervisé: K Nearest Neighbors, Decision Trees, Random Forests, SVM, Réseaux de Neurones. | ||
+ | - Apprentissage non supervisé: Clustering, Moteurs de Recommendations. | ||
+ | - Feature Engineering | ||
+ | - Apprentissage statistique: | ||
+ | - 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": | ||
+ | |||
+ | ==== Sujets potentiellement traités ==== | ||
+ | * Analyse en Composants Principales. | ||
+ | |||
+ | ===== Pré-requis ===== | ||
+ | |||
+ | * Savoir programmer | ||
+ | * Ne pas être allergique aux mathématiques | ||