Entreposage et fouille de données
9 crédits N'deye NIANG et Vincent AUDIGIER EPN06 - Mathématique et statistique Unité d'enseignement de type cours
Publié Du 01-09-2007 au 31-08-9999
être admis en M2 du master STIC, mention statistique ou être agréé.
La demande d'agrément est à faire uniquement pour les auditeurs qui souhaitent suivre STA211 en présentiel au semestre 1. Pour obtenir l'agrément, les auditeurs adresseront, à partir du 25 Août, par courrier électronique à l'enseignant responsable : ndeye.niang_keita@cnam.fr, un CV détaillé et une lettre de motivation indiquant les raisons de la demande et le projet pédagogique dans lequel elle s'inscrit . Une réponse sera donnée dans un délai d'une dizaine de jours.
Niveau requis : NFA008 (bases de données) et STA101 (analyse des données, méthodes descriptives). Ces prérequis sont indispensables pour obtenir l'agrément. Vérifier avant d'envoyer une demande d'agrément.
L'unité STA211 apparaît dans 5 cursus.
Certificat de spécialisation Analyste de données massives
Master Sciences, technologies, santé, mention mathématiques appliquées, statistique parcours Science des données
Diplôme d'ingénieur Spécialité Bio-informatique
Certificat de spécialisation Bio-informatique avancée
Diplôme d'ingénieur Spécialité informatique parcours Informatique modélisation optimisation
Modèles prévisionnels et systèmes de gestion de l'entreprise
- structures spécifiques des bases de données de Data warehouse (star schema)
- OLAP
Méthodologies générales
- Méthodologies de Data Mining
Pré-traitement des données
- Analyses de la qualité des données,
- Techniques d'appréhension des valeurs manquantes ou aberrantes
- Techniques de construction de bases de travail (agrégations, etc. . . )
Données et techniques de fouille
Méthodes non supervisées :
- Cartes de Kohonen, Règles d'association
Méthodes supervisées :
- Rappels de théorie de l'apprentissage
- Arbres de décision, forêts aléatoires, Réseaux de neurones, deep learning
- Méta-algorithmes :
- boosting, bagging
Fouille dans de nouveaux types de données et méthodes associées :
- Données textuelles - Données multivues - Images et Multimedia
Outils :
- Environnements freeware : R, Python
- Outils spécifiques : SAS-EM, SPAD
- Data Mining et bases de données : OLAP Business Object
Titre | Auteur(s) |
---|---|
Analyse discriminante (Dunod, 2001) | M.BARDOS |
Probabilités, analyse des données et statistique (Technip, 2006) | G.SAPORTA |
Data mining et statistique décisionnelle (Technip, 2005) | S.TUFFERY |
Etude de cas en statistique décisionnelle (Technip, 2009) | S.TUFFERY |
Elements of Statistical Learning (Springer, 2009) | T.HASTIE, J.FRIEDMAN, F.TIBSHIRANI |
Analyse des données (Hermes,2003) | G.GOVAERT (ed) |
Statistique exploratoire multidimensionnelle (1995) | L. LEBART, A. MORINEAU, M. PIRON |
Statistique explicative appliquée (Technip, 2003) | J.P.NAKACHE, J.CONFAIS |
An Introduction to Statistical Learning (2013) Téléchargeable ici:http://web.stanford.edu/~hastie/local.ftp/Springer/ISLR_print1.pdf | James, Witten, Hastie, & Tibshirani |