.. _intro: ********************* Organisation du cours ********************* .. tip:: Si vous suivez actuellement ce cours, vous devez signer la politique IA `ici `_. Le **Data Mining** (fouille de données) consiste à **découvrir des connaissances ou informations utiles, souvent cachées**, dans les données — afin d'appuyer la **prise de décision**. Ce cours en couvre les concepts, les algorithmes (de base et avancés) et leur mise en pratique. À la fin de ce cours, l'étudiant.e doit être capable de : * Différencier les notions autour de l'IA et de la donnée (IA, science des données, ML, DL, visualisation, *preprocessing*) * Expliquer le processus **CRISP-DM** * Réaliser l'**analyse descriptive** d'un jeu de données * Identifier les éléments du data mining et leurs domaines d'application * Identifier les **cas d'usage** des algorithmes de DM * Implémenter des algorithmes de DM (*frequent itemset mining*, clustering, …) * *(Parcours Avancé)* Lire et expliquer un **article scientifique** en data mining, et présenter un algorithme avancé Pédagogie ======================================= La pédagogie est mixte et basée sur l'**apprentissage par projet**. Nous alternerons cours magistraux, travaux pratiques d'implémentation, analyses descriptives, exposés (pour le parcours Avancé : présentation d'algorithmes avancés à partir de papiers) et un projet final appliquant une démarche complète (CRISP-DM). Deux entités, deux parcours ======================================= Ce cours est enseigné dans **deux entités**. Le **contenu (chapitres) est commun**, mais chaque entité suit un **parcours** différent (objectif, agenda, évaluation, sélection de chapitres) : .. list-table:: :header-rows: 1 :widths: 22 39 39 * - - :doc:`Intermédiaire <../parcours/intermediaire>` (M2) - :doc:`Avancé <../parcours/avance>` (M2) * - **Orientation** - Fondamentaux du data mining - Approfondi : algorithmes avancés issus d'articles scientifiques * - **Volume** - 7 séances × 3 h - 10 séances × 4 h * - **Parties couvertes** - Parties 1–2 (sélection) + Partie 4 - Parties 1–3 (Parties 1–2 plus rapidement) + Partie 4 * - **Spécificités** - TP analyse descriptive ; pas d'algorithmes avancés - Pas de TP analyse descriptive ; **exposés d'algorithmes avancés** (Partie 3) + lecture de papiers + projet final Répartition du contenu ======================================= * :doc:`Partie 1 <../part1/index>` — **Préliminaires** : introduction au data mining, analyse de données, algorithmes & complexité, outils. * :doc:`Partie 2 <../part2/index>` — **Algorithmes de base** : clustering, *frequent itemset mining* (+ règles d'association), *sequential pattern mining*. * :doc:`Partie 3 <../part3/index>` — **Algorithmes avancés** (Parcours Avancé, exposés) : Eclat, FP-Growth, PrefixSpan, CloSpan, CMRules, gSpan. * :doc:`Partie 4 <../part4/index>` — **Projet & TPs**. Une partie :doc:`QCM <../part6/index>` interactive complète le cours. Ressources ======================================= - *Data Mining: Concepts and Techniques* — Jiawei Han, Micheline Kamber, Jian Pei (3rd ed., Morgan Kaufmann, 2011). - *Frequent Pattern Mining* — Charu C. Aggarwal, Jiawei Han. - *Data Mining: The Textbook* — Charu C. Aggarwal. - Implémentations de référence : `SPMF `_, `FIMI `_, `UCI ML Repository `_. Contact et communication ======================================= Les communications se feront par mail. :Email: `John Aoga `_ Cours Open-Source ======================================= Les sources de ce site web sont open-source et disponibles sur `GitHub `_. N'hésitez pas à faire des pull requests si vous voyez des erreurs ou des éléments à corriger. La licence utilisée est Creative Commons Attribution-ShareAlike 4.0 International License : .. image:: https://i.creativecommons.org/l/by-sa/4.0/88x31.png :alt: CC-BY-SA