Ce cours aborde les concepts et principes fondamentaux qui sous-tendent les principaux modèles et techniques de science des données. Les techniques descriptives, telles que le regroupement par clusters et l'exploration des motifs fréquents, sont expliquées plus en détail, tandis que, pour les techniques prédictives, l'accent est principalement mis sur les concepts d'un modèle, ses paramètres et hyperparamètres, ainsi que sur la qualité et la validation des modèles, y compris le surajustement, le sous-ajustement et les compromis entre biais et variance. Les questions relatives à la qualité des données et au prétraitement, liées aux différents types de données et aux problèmes de modélisation, sont également abordées. Détails des thèmes abordés :
– Introduction à l'analyse bivariée et multivariée
– Visualisation des données et analyse exploratoire des données
– Réduction de dimensionnalité et sélection de caractéristiques
– Regroupement : k-means, agglomératif, DBSCAN, validation des clusters ;
– Exploration des motifs fréquents : ensembles d'éléments, règles d'association, mesures de qualité ;
– Classification et régression linéaires : modèle, paramètres et hyperparamètres, validation, surapprentissage et sous-apprentissage, et compromis biais-variance ;
https://neptun.elte.hu/MobilityCourses?Faculty=&Programme=&AcademicTerm=&Published=&SearchText=Introduction+to+data+science
À l'issue de cette formation, le participant sera capable d'appliquer des techniques d'analyse bivariée et multivariée, d'utiliser la visualisation des données et l'analyse exploratoire des données pour étudier des ensembles de données, de choisir des méthodes de réduction de dimensionnalité et de sélection de caractéristiques, de mettre en œuvre et de valider des algorithmes de regroupement, de découvrir et d'évaluer des ensembles d'éléments fréquents et des règles d'association, ainsi que de développer, d'ajuster et de valider des modèles de classification et de régression linéaires tout en tenant compte du surajustement, du sous-ajustement et du compromis entre biais et variance.
Les apprenants doivent posséder des connaissances de base en statistiques, en algèbre linéaire et en programmation, ainsi qu'une expérience préalable du traitement des données et des concepts fondamentaux de l'apprentissage automatique.
– Peter Flach (2012). Machine Learning : L’art et la science des algorithmes qui donnent du sens aux données. Cambridge University Press.
– Jiawei Han, Micheline Kamber, Jian Pei (2011). Data Mining : Concepts et techniques. Morgan Kaufmann.
– Pang-Ning Tan, Michael Steinbach, Vipin Kumar (2005). Introduction à l'exploration de données. Addison Wesley.
Ce cours associera des cours magistraux, des séances pratiques en laboratoire, des exercices guidés, des études de cas et un apprentissage par projet. Les cours magistraux présenteront les fondements théoriques de l'analyse de données et des méthodes d'apprentissage automatique, tandis que les séances en laboratoire permettront aux apprenants d'appliquer ces techniques à des ensembles de données réels ou simulés à l'aide d'outils logiciels adaptés. Les étudiants travailleront individuellement et en groupe pour résoudre des problèmes analytiques, interpréter les résultats et évaluer les performances des modèles. Le cours comprendra également des discussions, des démonstrations et des séances de retour d'expérience afin de favoriser la réflexion critique et le développement des compétences pratiques.
Relevé de notes