• Liste des parcours dans lesquels apparaît l'EC

• Mention / Parcours / Parcours type	ECTS	Points
  Mathématiques et Applications / Calcul Scientifque / CS	3	30
  Mathématiques et Applications / Statistique pour l'Evaluation et la Prévision / SEP	3	30

• Équipe pédagogique

• • Responsables

  • BLANCHARD Frédéric (Responsable)

    Département : Informatique IUT (IUT RCC - Reims)
  • REGNAULT Philippe (Responsable)

    Département : Mathématiques (UFR SEN)

• Volume horaire

• Nature	CM	TD	Total
  Durée	15h	10h	25h

• Modalités de contrôle des connaissances (MCC)

• Epreuves	Nature	IE	CR	EOT	Total
  	Durée
  Cas général	1ère session	50	50		100%
  	2nd session			100	100%
  Dispense contrôle continu	1ère session		100		100%
  	2nd session			100	100%

• Modalités de contrôle des connaissances (MCC)

• Cas général

• Nature	Durée	1ère session	2ème session
  	IE		50%	0%
  CR		50%	0%
  EOT		0%	100%

• Dispense contrôle continu

• Nature	Durée	1ère session	2ème session
  	CR		100%	0%
  EOT		0%	100%

• Objectifs

• L'objectif de ce module est de comprendre les problématiques du machine learning et de maîtriser l'usage d'une sélection d'algorithmes emblématiques. À travers des exemples concrets, nous aborderons les problèmes de clustering, d'aide à la décision, d'extraction de règles d'association, et d'analyse d?analyse de données liées.Une attention particulière sera apportée à l?intégration des méthodes dans un worflow complet d?analyse, ainsi qu?à la présentation synthétique et visuelle des résultats.D'un point de vue pratique, les travaux seront réalisés en R ou Python à l'aide de packages dédiés. Cet enseignement demande des notions de base en R.

• Compétences spécifiques visées

• - Comprendre les problématiques associées au machine learning ;- Savoir identifier la méthode à utiliser en fonction du problème ;- Être capable de la mettre en ?uvre dans un processus complet d?analyse et de fournir une restitution et une interprétation des résultats.

• Connaissances requises

• Notions de base en R

• Programme

• Plan de cours :? Contexte, problématique et workflow en machine learning? Apprentissage non supervisé◦ Clustering (k-means, CAH)◦ Clustering par modèles de mélanges gaussiens, algorithme EM◦ Extraction de règles d'association (a priori)◦ Analyse de données liées (pagerank)? Apprentissage supervisé◦ Réseaux de neurones◦ Arbres de décision, forêts aléatoires◦ Bagging, Boosting