Description du cours

Intitulé de l'Unité d'Enseignement

Méthodes quantitatives 2 : Méthodes prédictives

Code de l'Unité d'Enseignement

22MQ090

Année académique

2019 - 2020

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

L’unité d’enseignement aborde les techniques quantitatives d’exploration et d’interprétations 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.

Prérequis et corequis

21MQ050, « Méthodes Quantitatives 1 : Méthodes Exploratoires »

Description du contenu

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

Méthodes pédagogiques

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

Mode d'évaluation

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

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.
N.B.: Toutes les références sont en téléchargement libre légalement.