Méthodes avancées de Data Mining — formation en intra-entreprise

Objectifs pédagogiques

Faire le lien entre les méthodes de Data Mining usuelles et les méthodes issues de la recherche récente en apprentissage statistique, comme les méthodes à noyaux (SVM et SVR entre autres) et les méthodes d’agrégation (boosting, bagging, forêts aléatoires).

Savoir mettre en œuvre ces méthodes sur des cas pratiques et juger de leur pertinence en fonction de l’objectif recherché.

Thèmes abordés

La formation décrit les principales méthodes de data mining issues de la recherche actuelle en apprentissage statistique, cible leurs difficultés et leurs avantages et évalue leurs performances.

Des applications sur des jeux de données simulées et réelles seront mises en œuvre à l’aide du logiciel libre R et de Sas.

Statistique, apprentissage et data mining

Définitions, positionnement
Principales applications
Panorama des méthodes et de l’offre logicielle
Choix d’une méthode et ajustement des paramètres

Méthodes à noyaux, SVM et SVR

Support Vector Machines pour la discrimination binaire ou multi-classes
Support Vector Regression pour la régression
Ajustement des paramètres

Méthodes d’agrégation et bootstrap

Agrégation de règles de prédiction : intérêt
Principe du bootstrap
Méthodes de boosting (Adaboost et logitboost)
Méthodes de bagging, forêts aléatoires

Prérequis

Notions statistiques de base, méthodes de discrimination usuelles (régression logistique, arbres de décision), régression linéaire.

Autres thèmes en intra — Data science & IA

Voir tous les thèmes en intra Data science & IA