Course description

Name of course

Quantitative Methods 1: exploratory methods

Course code

21MQ050

Academic year

2019 - 2020

Cycle

Number of credits

5

Number of hours

60

Quadrimestre

2

Pondération

Site

Anjou

Language of instruction

French

Main teacher

CUVELIER Etienne

Objectifs et contribution de l'Unité d'Enseignement au programme

L’unité d’enseignement est une introduction aux techniques quantitatives d’exploration et d’interprétations des données.
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 co-requisites

Algèbre de base.

Content description

1) Découverte et d’un outil d’analyse quantitative (R-project)
a) Utilisation des techniques classiques de statistique (moyennes, variance, histogramme, …)
2) Méthodes Exploratoires
a) Analyse en composantes principales
b) Clustering
c) Algorithmes de Partitionnement
i) K-Means
ii) Décomposition de mélange
iii) Algorithmes Hiérarchiques
d) 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
e) Algorithmes Spectraux
f) Treillis de Galois
g) Text Mining

Teaching methods

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

Evaluation mode

L'examen sera oral et comprendra notamment la présentation et la défense d’un travail.

Bibliography

- 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.