Data Mining

Généralités
Intervenants
Emplois du Temps

L'emploi du temps de chaque groupe est disponible sur ADE.

Organisation des CMs
SéanceDateIntervenantContenu
CM112/09/2017FdMIntroduction Processus KDD et itemsets
CM218/09/2017FdMDécouverte de motifs fréquents
CM309/10/2017FdMDécouverte de motifs fermés
CM416/10/2017MPDécouverte de motifs sous contraintes, slides slides++
CM506/11/2017MPTechniques de clustering : Définition, evaluation, distances et similarités, Algorithmes (KMeans, EM, Hiérarchiques, DBScan)
TP107/11/2017MP Installer KNIME (si possible avec le plus d'extensions). Knime, prise en main et détection de points d'intérêt et d'événements
CM613/11/2017MPClassification supervisée + éléments intéressants sur Subgroup discovering and Local Modeling + Exam (éléments de correction)
TP214/11/2017MPProjet
TP328/11/2017MPProjet
CM704/12/2017MPprojet (tutorat)
Exam12/12/2017MPEXAMEN
Projet

L'objectif de ce projet est de mettre en oeuvre une approche complète de fouille de données depuis le prétraitement des données jusqu'à l'évaluation de la méthode de fouille. Vous pouvez utiliser l'outil Knime ou n'importe quel autre outil ou librairie (e.g., Scikit-learn, Weka, MOA). Vous devez donc produire une chaine de traitement mettant en jeu des algorithmes de fouille de données afin de produire de la valeur ajoutée sur les données étudiées. Vous pouvez également utiliser des algorithmes de classification ou prédiction. En d'autres mots, à minima on attend l'utilisation d'algorithmes de :

Des versions plus avancées sont aussi utilisables, comme par exemple :

Choix des données

Vous pouvez choisir le jeu de données de votre choix (après validation avec un enseignant). Voir par exemple Kaggle pour différents jeux de données.

Organisation du projet

<note>Le rendu du projet (archive) est constitué de :

L'archive est à déposer sur Tomuss (il est possible de mettre des liens vers les sources et la vidéo dans le rapport si trop volumineux).

Date limite de rendu : 21 janvier 2018, 23:59 </note>