Fouille de données

Objectifs

• S'initier aux fondements de la Fouille de Données


• Découvrir les techniques de classification


• Analyser le Clustering


• Analyser l'Association et des Séquences


• Découvrir les techniques avancées en Data Mining


• Découvrir les applications spécialisées et études de cas

Programme de la formation

S'initier aux fondements de la Fouille de Données

• Introduire les concepts de base de la fouille de données


• Préparer les types de données pour l'analyse


• Utiliser des méthodes de prétraitement : nettoyage, réduction de dimension, normalisation


• Sélectionner des caractéristiques pour une meilleure performance


• Évaluer les performances : précision, rappel, F-mesure


• Utiliser des bibliothèques et des outils de fouille de données

Découvrir les techniques de classification

• Maîtriser l'apprentissage supervisé et non supervisé en classification


• Exploiter des algorithmes de classification : Arbres de décision, k-plus proches voisins, SVM, réseaux de neurones


• Appliquer des techniques d'ensemble : Forêts aléatoires, Boosting, Bagging


• Traiter les données déséquilibrées en classification


• Optimiser les hyperparamètres pour des modèles de classification performants


• Analyser des études de cas en classification avec des données réelles

Analyser le Clustering

• Comprendre les concepts fondamentaux du clustering et du partitionnement de données


• Utiliser des algorithmes de clustering : K-Means, DBSCAN, Agglomératif, Mean Shift


• Valider et évaluer les clusters : indice de silhouette, critère d'Elbow


• Sélectionner le nombre optimal de clusters avec des techniques spécifiques


• Utiliser des techniques de visualisation pour l'analyse de clusters


• Examiner des études de cas en clustering avec des données multidimensionnelles

Analyser l'Association et des Séquences

• Extraire des règles d'association et d'items fréquents


• Appliquer l'algorithme Apriori et FP-Growth


• Explorer l'analyse de séquences : modèles de Markov cachés, GSP


• Appliquer l'analyse de l'association dans le marketing et la recommandation


• Analyser des études de cas en analyse de l'association et des séquences

Découvrir les techniques avancées en Data Mining

• Utiliser l'analyse en composantes principales (PCA) pour la réduction de dimension


• Calculer la similarité et la dissimilarité entre données


• Explorer les données textuelles et réaliser une analyse de sentiments


• Exploiter les techniques d'apprentissage non supervisé : réduction de dimension non linéaire, clustering hiérarchique spectral


• Maîtriser les méthodes d'ensemencement en apprentissage non supervisé


• Analyser des études de cas sur des données hétérogènes et complexes

Découvrir les applications spécialisées et études de cas

• Détecter des anomalies : utiliser des méthodes statistiques et basées sur les modèles


• Explorer la fouille de données temporelles et les séries chronologiques


• Appliquer la fouille de données en bioinformatique, finance, santé, etc.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique