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 »).