Course description
Title of the Teaching Unit
Machine Learning for Business
Code of the Teaching Unit
21MQ040
Academic year
2025 - 2026
Cycle
Number of credits
5
Number of hours
60
Quarter
2
Weighting
Site
Anjou
Teaching language
French
Teacher in charge
CUVELIER Etienne
Objectives and contribution to the program
L’unité d’enseignement aborde les techniques quantitatives d’exploration, d’interprétations et surtout d'automatisation et de prédiction à partir des données dans une optique pratique.
A l’issue du cours l’étudiant sera à même de choisir et de mettre en œuvre les techniques quantitatives nécessaires à l’analyse d’un problème pratique tiré de la vie économique réelle.
Prerequisites and corequisites
Data Science for Business
Content
1) 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 pratiques en laboratoire via les logiciels spécifiques
- Etudes 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.
N.B.: Toutes les références sont en téléchargement libre légalement.