- CMI - CURSUS DE MASTER EN INGENIERIE

Rechercher
Aller au contenu

Menu principal :

Programme > Matières
 
 
 
 

Data-mining et logique floue

Volume horaire

Unité d’Enseignement

Semestre

Niveau

Cours

TD

15

0

Fondamentale

9

M2 ISF

Enseignante

Evaluation

Coefficient

ECTS

Maria Rifqi

Ecrit

2

2.5


 
 


Objectifs de l’enseignement
Connaître les algorithmes les plus connus d'apprentissage supervisé et non-supervisé utilisés pour le data mining.
Maîtriser leur utilisation dans des cas pratiques, notamment :
savoir quelle méthode appliquer à un problème donné,
savoir bien paramétrer les méthodes
savoir bien interpréter les résultats fournis par une méthode.

Descriptif de l’enseignement
Panorama général

Introduction à l’IA
Apprentissage supervisé / apprentissage non-supervisé
Qu’est-ce que le Data Mining ? Statistique classique vs statistique prédictive

Méthodes supervisées

Arbres de décision / Forêt d'arbres de décision
K-plus proches voisins
Réseau de neurones
Machines à vecteurs de support

Méthodes non-supervisées

K-means
Règles d'association / Apriori

Evaluation des méthodes

Le problème du sur-apprentissage
Protocole d’évaluation
Matrice de confusion, courbe ROC,…


Méthode d’enseignement
Cours et pratique sur logiciel (Weka)

Pré-requis
Notions de statistiques

Bibliographie
(ouvrages uniquement)
Antoine Cornuéjols et Laurent Miclet, Apprentissage Artificiel, concepts et algorithmes, Ed. Eyrolles, 2003


 
 
Retourner au contenu | Retourner au menu