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
5
Number of hours
60
Quarter
1
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.