Description du cours
Intitulé de l'Unité d'Enseignement
Intelligence Artificielle 1 : Data Mining
Code de l'Unité d'Enseignement
21MQ050
Année académique
2024 - 2025
Cycle
MASTER
Nombre de crédits
5
Nombre heures
60
Quadrimestre
2
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 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.
Prérequis et corequis
Algèbre de base, probabilités et statistiques.
Description du contenu
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
Méthodes pédagogiques
• Exposé ex cathedra et mise en pratique en laboratoire via les logiciels spécifiques
• Etudes de cas pratiques
Mode d'évaluation
L'évaluation se fera au travers d'un travail de groupe obligatoire à défendre oralement en présentiel ou en distanciel suivant les circonstances.
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.