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

• Chapitre 1 : Introduction au data mining
  • Objectifs
  • 1. Donnée, information, connaissance
  • 2. IA, ML, DL, DS
  • 3. Data mining et pattern mining
  • 4. Les grandes tâches du data mining
  • 5. Applications
  • Exercice
• Chapitre 2 : Analyse de données
  • Objectifs
  • 1. Le processus CRISP-DM
  • 2. Comprendre les données
  • 3. Analyse descriptive
  • 4. Cas pratique : Iris
  • 5. Nettoyage et prétraitement
  • Exercice
• Chapitre 3 : Algorithmes et complexité
  • Objectifs
  • 1. Algorithme et efficacité
  • 2. Recherche / exploration : DFS et BFS
  • Exercice
• Chapitre 4 : Outils d’implémentation
  • Objectifs
  • 1. Langages de programmation
  • 2. Solveurs et bibliothèques spécialisés
  • 3. Logiciels tout-en-un (standalone)
  • Exercice