Syllabus du cours Fouille et Analyse de données
Objectifs du cours :
Dans ce cours, au cours de l'étude des différents outils théoriques de la fouille, nous nous concentrerons sur l'aspect algorithmique et logiciel, ainsi
que leur utilisation. A la fin de ce cours, l’étudiant sera en mesure de prendre une connaissance approfondie de certains algorithmes d’apprentissage
pour la classification non supervisée. L’étudiant doit avoir la capacité de fournir des garanties rigoureuses et correctes sur la performance des
algorithmes d’apprentissage non supervisés. L’étudiant va utiliser le logiciel libre et évolutif Weka programmé en Java, ainsi que la bibliothèque
scikit-learn de Python, dédiée à l'apprentissage automatique.
Langue d’enseignement :
Arabe Français Anglais
Matériels pédagogiques requis
a. Ouvrages et autres documents de référence :
[1] J. Han, M. Kamber, and J. Pei. Data mining : concepts and techniques. Morgan Kaufmann Pub, 2011.
[2] M. Kantardzic. Data mining : concepts, models, methods, and algorithms. WileyInterscience, 2003.
[3] P. Preux. Fouille de données, notes de cours. Disponible sur internet, 2006.
b. Matériel pédagogique :
Le matériel pédagogique (notes de cours, vidéo, TD, TP, références en ligne) sera partagé sur BlackBoard.
Règles de présence
Les règles de présences sont gérées par le règlement intérieur de l’école.
Les étudiants professionnels sont invités à déclarer leur cas au chef du département pédagogique.
Si vous avez un handicap quelconque n’hésitez pas à contacter le chef du département pédagogique, il vous trouvera un
arrangement adéquat.
Evaluation du cours
L’évaluation est loin d’être une sanction à l’encontre de l’étudiant mais observer s‘il a acquis des compétences nécessaires fixées
au préalable.
Modalité Pourcentage
Devoir surveillé 20%
Autres modes d’évaluation 10%
Examen Final 70%
Total 100%
L’examen final porte sur l’ensemble du cours
Le devoir surveillé est une évaluation sur la première partie du cours
Les autres modes d’évaluation porteront sur l’assiduité de l’étudiant et sa capacité à répondre aux questions posées lors de
la séance du cours, des exposés, des travaux personnels, etc.
Déroulement du cours
Semaine Contenu Objectifs spécifiques
1 Présentation du cours Le but de ce chapitre est d’étudier et connaître les principes de base
Chapitre 1 : Introduction à la Fouille de Données de la fouille de données et de l’apprentissage automatique
2 Chapitre 1 (Suite) : L'étudiant doit connaître les différentes méthodologies uttilisées
Méthodologies de travail pour mener un projet de fouille de données
3 Chapitre2 : L'étudiant doit savoir préparer et transformer les données de
Transformation de données différents types
4 Chapitre 2 (Suite) : L'étudiant doit être capable de mesurer la similarité entre 2
Mesures de similarité objets d’un dataset
5 Chapitre 3 : Les algorithmes de partionnement Décrire le fonctionnement de l’algorithme K-means et discuter
Algorithme K-means les avantages et les inconvénients
6 Chapitre 3 (Suite) : Décrire le fonctionnement de l’algorithme K-médoïde et
Algorithme K-medoide discuter les avantages et les inconvénients
7 Chapitre 4 : Les algorithmes hiérarchiques Représenter le fonctionnement de l’algorithme AGNES et
Algorithmes Assandants discuter les avantages et les inconvénients
8 Chapitre 4 (Suite) : Représenter le fonctionnement de l’algorithme AGNES et
Algorithmes Descendant discuter les avantages et les inconvénients
9 Devoir surveillé
10 Chapitre 5 : Les règles d’association Représenter les algorithmes de règles d’association de base et
Algorithme de base discuter les avantages et les inconvénients
11 Chapitre 5 (Suite) : Les règles d’association Représenter l’algorithme apriori de règles d’association
Apriori
12 Semaine de préparation aux examens
13 Examen Final