Docs

CM

Data Mining

Ce support de cours n'est pas maintenu et est en parti obsolèle !

  1. ECD ▼
    1. Fouille de données et Apprentissage
    2. Définitions
    3. Processus de l'ECD
    4. Processus de l'ECD
    5. Apprentissage supervisé
    6. Exemple : lentilles de contact (1)
    7. Exemple : lentilles de contact (2)
    8. Exemple : lentilles de contact (3)
    9. Segmentation (ou clustering)
    10. Exemple ornithologique (1)
    11. Exemple ornithologique (2)
    12. Exemple ornithologique (3)
    13. Précision vs Généralisation
    14. Comment valider les modèles produits ?
    15. A quoi ça sert ?
    16. Processus de l'ECD
    17. Pré-traitements
    18. Processus de l'ECD
    19. Post-traitements
    20. Apprentissage supervisé
    21. Clustering
    22. Outils
    23. K plus proches voisins
    24. Apprentissage par renforcement
    25. Bibliographie Principale
  2. AD ▼
    1. Analyse et Fouille de Données
    2. Principes généraux
    3. Algorithme
    4. Mesure d'intérêt d'une partition
    5. Critères pour une bonne mesure
    6. Matrices de contingence
    7. Construction des arbres possibles
    8. Entropie croisée
    9. Gain d'information
    10. Quid des variables numériques
    11. Valeurs candidates pour un seuil
    12. Réutilisation des variables numériques
    13. Autres mesures d'intérêt
    14. Gini
    15. Chi2
    16. Critère d'arrêt du partitionnement
    17. Évaluation de l'apprentissage
    18. Taux d'erreurs en apprentissage
    19. Base d'apprentissage, base de test
    20. Élagage des Arbres de Décision
    21. Critère d'élagage (CART)
    22. Méthodes d'amélioration des Apprentissages
  3. Seg ▼
    1. Analyse et Fouille de Données
    2. Segmentation et Apprentissage non supervisé
    3. Discrétiser une variable quantitative
    4. Exemple
    5. Données associées à plusieurs variables
    6. K-means
    7. Exemple (1/2)
    8. Exemple (2/2)
    9. Mesures de similarité
    10. Proximité de deux clusters
    11. Caractérisation des clusters
    12. Qualité d'un clustering
    13. Analyse et Fouille de Données
    14. Principe du CHA
    15. Exemple (1/2)
    16. Exemple 2/2
    17. Autres Clustering Hiérarchiques
    18. Similarité entre 2 clusters
  4. RA ▼
    1. Analyse et Fouille de Données
    2. Analyse du panier de la ménagère
    3. Données analysées
    4. Représentation binaire du contenu d'un caddie
    5. Évaluation des règles d'association
    6. Quelles sont les bonnes règles ?
    7. Faire face à l'explosion combinatoire
    8. Stratégie générale
    9. Exemple sur (pain, lait, couches, bière)
    10. Algorithme A priori (Agrawal et Srikant 1994)
    11. La fonction apriori-gen
    12. Le Lift
  5. Exemple iris ▼
    1. Etude de cas  les données iris
    2. Projections des données
    3. Classification avec k-means (1/2)
    4. Classification avec k-means (2/2)
    5. Validation des classifications
    6. Projections en fonction des espèces
    7. Arbre de décision
    8. Arbre de décision
  6. App par renforcement ▼
    1. Apprentissage supervisé vs Renforcement
    2. Apprentissage Pénalité - Récompense
    3. Q-Learning (1)
    4. Q-Learning (2)
    5. Q-Learning (3)
    6. Fonction de renforcement
    7. Fonction de mise à jour
    8. Convergence et Limitations
    9. Calculs de Q(s,a) (1/2)
    10. Calculs de Q(s,a) (2/2)
    11. Tableau Q après un passage
    12. Autres algorithmes
    13. Application et Robotique
    14. Bibliographie
  7. Intro à R ▼
    1. Analyse et Fouille de Données
    2. Introduction à R
    3. Références
    4. Éléments syntaxiques
    5. Les objets
    6. Les valeurs particulières
    7. Opérateurs arithmétiques et logiques
    8. Ensembles d'objets
    9. Les vecteurs
    10. Générer des séquences
    11. Générer des séquences aléatoires
    12. Les facteurs (1/2)
    13. Les facteurs (2/2)
    14. Les matrices (1/3)
    15. Les matrices (2/3)
    16. Les matrices (3/3)
    17. Les Listes (1/2)
    18. Les Listes (2/2)
    19. Les data frames
    20. Charger un fichier dans un data.frame
    21. Décrire la structure et le contenu des data.frames
    22. Extraire des données d'un data.frame
    23. Bases de données disponibles
    24. Exercices
    25. Fonctions graphiques
    26. Paramétrage des graphiques
    27. Exporter des graphiques
    28. Structures de contrôle
    29. Définir des fonctions
    30. Sauver des données
    31. Charger un programme
    32. Exercices
  8. Régression linéaire ▼
    1. Fouille de données
    2. Régression linéaire simple
    3. Regression linéaire avec R
    4. Régression linéaire multiple
    5. Production du meilleur modèle
    6. Exercice