Partie 2 | Algorithmes de base

Vue d’ensemble

Cette partie présente les algorithmes fondamentaux de la fouille de données non supervisée : le clustering (regrouper des observations similaires), le Frequent Itemset Mining (motifs fréquents + règles d’association) et le Sequential Pattern Mining (motifs fréquents ordonnés).

Objectifs

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

• Expliquer et appliquer le clustering (K-means, clustering hiérarchique)

• Formaliser et résoudre le Frequent Itemset Mining (support, lattice, a priori)

• Générer des règles d’association (confiance, lift) et comprendre les patterns fermés/maximaux

• Étendre la démarche aux séquences (Sequential Pattern Mining)

Organisation

• Chapitre 5 : Clustering
  • Objectifs
  • 1. Qu’est-ce que le clustering ?
  • 2. K-means
  • 3. Clustering hiérarchique & dendrogramme
  • Exercice
• Chapitre 6 : Frequent Itemset Mining
  • Objectifs
  • 1. Motivation : le panier du supermarché
  • 2. Le problème de FIM
  • 3. Résolution
  • 4. Implémentations
  • 5. Règles d’association
  • 6. Patterns fermés et maximaux
  • Exercice
• Chapitre 7 : Sequential Pattern Mining
  • Objectifs
  • 1. Motivation
  • 2. Le problème de SPM
  • 3. Résolution
  • 4. Clarifications
  • Exercice