Description du cours

Intitulé de l'Unité d'Enseignement

Aide à la décision

Code de l'Unité d'Enseignement

22BA030

Année académique

2020 - 2021

Cycle

MASTER

Nombre de crédits

5

Nombre heures

60

Quadrimestre

1

Pondération

Site

Anjou

Langue d'enseignement

Français

Enseignant responsable

CUVELIER Etienne

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

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.

Prérequis et corequis

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

Description du contenu

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

Méthodes pédagogiques

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

Mode d'évaluation

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

Références bibliographiques

- 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.