.. _part2:

*************************************************************************************************
Partie 2 | Algorithmes pour données massives
*************************************************************************************************

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

Cette partie présente les grands **algorithmes de la fouille de données massives**,
chacun pensé pour le passage à l'échelle (parallélisation, échantillonnage,
hachage, itérations distribuées) : **clustering**, **systèmes de recommandation**,
**frequent itemset mining**, **éléments similaires (LSH)**, **mining de graphes** et
**link analysis (PageRank)**.

Objectifs
=========

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

* Adapter le **clustering** et le **frequent itemset mining** au contexte massif/distribué
* Construire un **système de recommandation** (CF item-item, facteurs latents/SVD)
* Trouver des **éléments similaires** à grande échelle (shingling, min-hashing, **LSH**)
* Analyser des **graphes** massifs (communautés, similarité de nœuds)
* Classer des pages par **PageRank**

.. note::
   Chaque chapitre se termine par des **exercices** (tirés du manuel MMDS) avec
   **correction repliable** (« ▶ Voir la correction »).

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

.. toctree::
   :maxdepth: 2

   chap3
   chap4
   chap5
   chap6
   chap7
   chap8