INTELLIGENCE ARTIFICIELLE, FOUILLE DE DONNEES ET APPRENTISSAGE

Introduction à la fouille de données et au Machine learning

• Définition et objectif
• Démarche de fouille de donnée
• Domaines d’application
• Quelles différences entre la fouille de données (Data Mining) et l’apprentissage automatique (Machine Learning).
• Etude de cas : Exemple introductif

Étapes de préparation de données

• Sélection des Données
• Nettoyage des Données
• Enrichissement des Données
• Codage des Données
• Tour d’horizon des problèmes & types d’apprentissage

Techniques non supervisées 

• En Fouille de données : Extraction des motifs fréquents et des règles d’association.
• Statistique descriptive et techniques de projection des données
• Apprentissage non supervisé (clustering) : cas particulier du k-means, CAH, etc.
• Interprétation statistique : Indice de qualité (interne et externe)

Techniques supervisées

• Modèle supervisé : régression, arbre de décision, réseaux de neurones …etc
• Méthodes ensemblistes
• Création de chaine de traitement (pipeline)
• Les concepts importants : critères de performance, validation croisée, overfitting, dilemme biais-variance.
• Paramétrage des modèles
• Sélection de variables
• Détection d’anomalie
• Applications : biologie, santé, marketing, maintenance prédictive, etc

Analyse de données textuelles

• Introduction à l’analyse de données textuelle.
• Mesure statistique pour le texte : TF-IDF
• Encodage des mots (word embedding)
• Les modèles récurrents : LSTM, GRU