.. _part1:

*************************************************************************************************
Partie 1 | Préliminaires
*************************************************************************************************

Vue d'ensemble
==============

Cette partie pose les bases : ce qu'est le data mining et son vocabulaire, comment
**comprendre et analyser** des données (CRISP-DM, analyse descriptive), les
notions d'**algorithme et de complexité** nécessaires pour comprendre les
algorithmes de fouille, et les **outils** d'implémentation.

Objectifs
=========

À l'issue de cette partie, chaque étudiant.e sera capable de :

* Définir le data mining et situer ses notions voisines (IA, ML, DL, science des données)
* Décrire le processus **CRISP-DM** et mener une **analyse descriptive**
* Distinguer les grandes familles de tâches (pattern mining, clustering, classification, régression, détection d'anomalies)
* Raisonner sur l'**efficacité** et la **complexité** d'un algorithme, et sur les parcours DFS/BFS
* Choisir des **outils** adaptés (langages, solveurs, logiciels)

Organisation
============

.. toctree::
   :maxdepth: 2

   chap1
   chap2
   chap3
   chap4