Course description

Title of the Teaching Unit

Aide à la décision

Code of the Teaching Unit

22BA030

Academic year

2022 - 2023

Cycle

Number of credits

Number of hours

Quarter

Weighting

Site

Anjou

Teaching language

French

Teacher in charge

CUVELIER Etienne

Objectives and contribution to the program

A l’issue du cours l’étudiant sera à même de choisir et d’appliquer une technique quantitative pour répondre une question posée à partir de données existantes.

Prerequisites and corequisites

Algèbre de base (espaces vectoriels, matrices, vecteurs propres), probabilité et statistique inférentielle.

Content

1) Introduction à l’aide à la décision
2) Découverte et d’un outil d’analyse quantitative (R-project)
a) Utilisation des techniques classiques de statistique (moyennes, variance, histogramme, …)
3) Méthodes Exploratoires
a) Visualisation de données
b) Analyse en composantes principales
c) Clustering
d) Algorithmes de Partitionnement
i) K-Means
ii) Décomposition de mélange
iii) Algorithmes Hiérarchiques
e) Détection de Communautés dans les Graphes
i) Réseaux Sociaux et Graphes
ii) Communautés dans les réseaux sociaux
iii) Mesures d’appartenance à une communauté
iv) Algorithmes de détection
v) Algorithmes Spectraux
f) Text Mining
4) Méthodes Prédictives
a) Méthodes de régressions
i) Linéaire (bivariée et multivariée)
ii) Non linéaire (bivariée et multivariée)
b) Règles d'Association
c) Classification
i) Introduction
ii) Techniques de validation des résultats
iii) k-nearest neighbours
iv) Classifieurs Bayésiens
(1) Naive Bayes
(2) EM Algorithm for Clustering with MCLUST
v) Arbres de Décision
vi) Support Vector Machine
vii) Réseaux de Neurones Artificiels
d) Sentiment Analysis

Teaching methods

• Exposé ex cathedra et mise en pratique en laboratoire via les logiciels spécifiques
• Études de cas pratiques

Assessment method

L'examen sera oral et comprendra notamment la présentation et la défense d’un travail de groupe en présentiel ou en distanciel en fonction des circonstances.

References

- Data Mining and Analysis, Fundamental Concepts and Algorithms, Zaki M. J., Meira, W Jr, Cambridge University Press, May 2014.
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition, Hastie T., Tibshirani R., Friedman J., Springer, 2009
- Social media mining: an introduction, Zafarani R., Abbasi M.A., Liu H, Cambridge University Press, 2014.
- An Introduction to Statistical Learning with Applications in R, James G. , Witten D. , Hastie T., Tibshirani R., Springer, 2009.
- R Programming for Data Science, Peng R. D., LeanPPub, 2016.