* Ces horaires sont donnés à titre indicatif.
L’ enseignement vise à connaître les bases de la fouille de motifs sous contraintes et des méthodes de partionnement (clustering, bi-clustering, co-clustering) puis de les mettre en oeuvre afin d’analyser des données réelles et produire de la valeur ajoutée sur ces données. Un tour d’horizon des problématiques actuelles est également proposé. L’enseignement est décomposé de la façon suivante :
Présentation d’un Processus KDD ou d’un projet Data Science
Fouille de motifs fréquents (itemsets et règles d’association) et algorithmes/explorations classiques (Apriori, Eclat, FP-Growth, parcours en largeur/profondeur, beam search)
Fouille de motifs sous contraintes : étude et exploitation des propriétés des contraintes (anti-monotonie, contraintes convertibles, contraintes faiblement (anti-)monotone, contraintes monotones/anti-monotones par morceau, convexité)
Langage de motifs plus sophistiqués (concepts formels, séquences, graphes, graphes dynamiques, graphes augmentés, …)
Partitionnement de données : (Bi-|Co-|Subspace-) Clustering
Ouverture vers les problématiques actuelles (analyse de flux de données, fouille de données interactive, parallélisation, instant mining)
Type | Libellé | Nature | Coef. | ||
---|---|---|---|---|---|
CT | Contrôle Terminal | CT : TIW9-DCD | Ecrit session 1 / Ecrit session 2 | 1.5 | |
CC | Contrôle Continu | CC : TIW9-DCD | Contrôle Continu | 1.5 |