Parcours Intermédiaire (M2)

Ce parcours est la version fondamentaux du cours de Data Mining, que je donne en parcours Intermédiaire. Il couvre une sélection des chapitres communs, sur 7 séances de 3 h.

Objectifs

À la fin du cours, l’étudiant.e doit pouvoir :

• Différencier les notions autour du DM (IA, science des données, ML, DL, visualisation, préparation de données)

• Utiliser les outils nécessaires pour s’informer sur un jeu de données et le traiter

• Définir le DM et les concepts associés (pattern mining, prédiction, clustering, …)

• Identifier les cas d’usage des algorithmes de DM

• Expliquer le processus CRISP-DM

• Interpréter données et graphiques ; faire de la visualisation

• Implémenter des algorithmes (frequent itemset mining et clustering)

Chapitres couverts

• chap1 — Introduction au data mining

• chap2 — Analyse de données

• chap4 — Outils d’implémentation

• chap5 — Clustering

• chap6 — Frequent Itemset Mining (+ règles d’association)

Note

Les algorithmes avancés (Partie 3) et le sequential pattern mining approfondi ne font pas partie de ce parcours.

Travaux & évaluation

Tous les travaux notés peuvent se faire en groupe selon les consignes de l’enseignant.

• TP1 — Analyse descriptive (un dataset assigné par étudiant)

• TP2 — Implémentation d’Apriori

• TP3 — Implémentation de K-means

• TD médian — un ancien examen (format proche de l’examen)

• Examen

Note

Les poids de chaque élément sont communiqués par l’enseignant en début de semestre.

Agenda indicatif (7 × 3 h)

Séance	Contenu
Séance 1	Introduction au data mining + analyse de données (mise en situation) — TP1 lancé
Séance 2	Analyse de données (suite) + outils — laboratoire
Séance 3	Clustering (K-means, méthode du coude) — TP3 lancé
Séance 4	Frequent Itemset Mining (support, lattice, a priori) — TP2 lancé
Séance 5	Règles d’association (confiance, lift ; patterns fermés/maximaux) + laboratoire
Séance 6	TD médian + révisions
Séance 7	Examen