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) :
Intermédiaire (M2) |
Avancé (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
Partie 1 — Préliminaires : introduction au data mining, analyse de données, algorithmes & complexité, outils.
Partie 2 — Algorithmes de base : clustering, frequent itemset mining (+ règles d’association), sequential pattern mining.
Partie 3 — Algorithmes avancés (Parcours Avancé, exposés) : Eclat, FP-Growth, PrefixSpan, CloSpan, CMRules, gSpan.
Partie 4 — Projet & TPs.
Une partie QCM 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:
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 :
