Scribd
Importer
38 vues15 pages

Techniques d'Analyse de Données et Data Mining

Ce document présente un cours sur l'analyse de données, mettant en avant l'utilisation de techniques de data mining pour extraire des connaissances à partir de grandes quantités de données. Il aborde les tâches descriptives et prédictives, ainsi que les prérequis en statistiques et algèbre linéaire, tout en soulignant l'importance des logiciels comme R pour l'implémentation des méthodes. Des références académiques et des ressources en ligne sont également fournies pour approfondir le sujet.

Transféré par

lcflak630
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd
38 vues15 pages

Techniques d'Analyse de Données et Data Mining

Ce document présente un cours sur l'analyse de données, mettant en avant l'utilisation de techniques de data mining pour extraire des connaissances à partir de grandes quantités de données. Il aborde les tâches descriptives et prédictives, ainsi que les prérequis en statistiques et algèbre linéaire, tout en soulignant l'importance des logiciels comme R pour l'implémentation des méthodes. Des références académiques et des ressources en ligne sont également fournies pour approfondir le sujet.

Transféré par

lcflak630
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PPTX, PDF, TXT ou lisez en ligne sur Scribd

Analyse de données

Cours présenté par

Mme Hamdad Leila.


OBJECTIF
• L’utilisation de l’analyse de données s’étend à des
domaines très vastes, dont les reconnaissances de
formes, prédiction, marketing, biostatistique………
• On présentera dans ce cours les techniques de
descriptions multidimensionnelles, de modélisation
statistique et on introduira la théorie de l’apprentissage
utilisées en data mining dans des champs d’applications
très divers : industriels, marketing…
• Le but est de ressortir l’information pertinente
contenue dans une masse importante de données.
DATA MINING
• Le Data Mining: Processus d’extraction de
connaissances cachées, non connues, mais
utiles à partir d’une grosse masse de données.
Intersection
- Base de données
- Statistiques
- Intelligence Artificielle
ECD ou KDD

Sélection de
données
OU
• Sélectionner des données à étudier.
• Prétraitement des données: suppression
d’informations bruitées ou superflues.
• Projection et réduction de données.
• Analyser, construire les modèles et les
hypothèses.
• Interpréter les résultats pour la découverte de
connaissances.
Taches du Data Mining
Tâche
Descriptive
Visualisation
Méthodes factorielles
Classification non supervisée
Recherche de règles
d’associations
Prédictive
Classification supervisée
Régression
Pré-requis

• Statistiques et probabilités

• Algèbre linéaire

• Calcul numérique.
Contenu
• Analyse en composantes principales

• Analyse des correspondances

• Analyse des correspondances multiples


Contenu
• Analyse discriminante

• Classification
Contenu
• Régression linéaire simple et multiple.

• Séries chronologiques

• Lissages exponentiels simple et double


Logiciels
• Ce Cours exige l’implémentation des
méthodes pour bien les comprendre sous les
logiciels Matlab ou R( logiciel libre).
• R: Logiciel de statistique crée par Ross Ihaka &
Robert Gentleman en 1988.
• Langage informatique et un environnement de
travail
Commandes exécutées grâce à des
instructions codées dans un langage
relativement simple,
 Résultats affichés sous forme de texte,

 Graphiques visualisés directement dans une


fenêtre qui leur est propre.
• R manipule Les données, ` trace des graphiques et fait des
analyses statistiques sur ces données.

• R est un logiciel gratuit et open source téléchargeable à


partir du site internet du Comprehensive R Archive
Network (CRAN) ([Link] orgCRAN).
• R Fonctionne sur tout les systèmes d'exploitation
(Windows, Macintoch, Linux).
• R un logiciel en rapide et constante évolution car tout le
monde peut l'améliorer en y intégrant de nouvelles
méthodes.
Références

• Duda, Hart and Stork, « Pattern classification »,


2nd edition, Wiley and sons, 2001.
• Hastie, Tibshirani & Friedman ”The elements of
statistical learning. Data mining, inference and
prediction. Springer, 2001.
• Lebart, Morineau et Piron , « Statistique
exploratoire multidimensionnelle » 2006.
• Ressources en ligne : [Link]
[Link]/~besse/[Link].

Vous aimerez peut-être aussi