16h CM, 14h TD
Plan du cours
- Principales étapes d’un processus de machine learning (apprentissage automatique) ou de fouille de données
- Ingénierie des données pour la préparation des données, la construction ou la sélection de variables
- Algorithmes de classification supervisée (ex : arbre de décision), procédures et métriques d’évaluation
- Algorithmes de clustering (ex. clustering hiérarchique), métriques d’évaluation
- Fouille de motifs (pattern mining) et de règles d’association
- Mise en œuvre du processus et des algorithmes sur des données du monde réel incluant des données en lien avec les disciplines des masters (microbiologie, ingénierie moléculaire)
Pré-requis
- Connaissance des bases de données relationnelles et du langage SQL
- Modèles statistiques pour l'analyse de données (estimation, tests...)
Acquis d'apprentissage
- Différencier "recherche dans une BD" et "extraction de connaissances à partir de données massives"
- Comprendre les différentes catégories d’algorithmes qui constituent le machine learning
Compétences visées
- Savoir appliquer correctement des programmes de machine learning (ex. librairie spécialisée ScikitLearn, matplotlib) sur des données réelles
- Savoir préparer des données avant de les analyser
- Enseignant: Yasaman Karami
- Enseignant: Malika Smail-Tabbone