Course description
Title of the Teaching Unit
Quantitative Methods 1: exploratory methods
Code of the Teaching Unit
21MQ050
Academic year
2024 - 2025
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 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 corequisites
Algèbre de base, probabilités et statistiques.
Content
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
Assessment method
L'évaluation se fera au travers d'un travail de groupe obligatoire à défendre oralement en présentiel ou en distanciel suivant les 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.