Comprendre les principales tâches de data mining et comment ils peuvent être abordés par les différents algorithmes de data mining,
Comprendre le fonctionnement interne des algorithmes de data mining et sous quelles conditions ils devraient être utilisés,
Apprendre à construire des workflows complexes de data mining et des processus et comment les évaluer

Introduction au data mining
L'apprentissage supervisé, classification (logistic regression), régression (ridge, lasso).
Techniques d'évaluation et d'expérimentation (cross-validation, boostrap)
Techniques avancées d'apprentissage supervisé (SMVs, apprentissage de metric)
Réduction des données (PCA, MDS, KERNEL PCA, ISOMAP)
L'apprentissage non supervisé (association, clustering ou regroupement des données)

Préalable requis : Statistiques et probabilités, Algèbre, Calculs

Exercices à proposer et à remettre en séance de TP
Un projet à remettre avant la fin du semestre
La note finale est la moyenne pondérée des notes des exercices (60%) et du projet (40%). Elle est arrondie au demi-point le plus proche.