Statistique Exploratoire et Apprentissage non supervisé
KMAK7AC1
1 Objectifs
Présenter les concepts de base des méthodes exploratoires multidimensionnelles, qui permettent de décrire, synthétiser et/ou partitionner l’information contenue dans de grands tableaux de données.
Nous aborderons d’abord les méthodes de réduction de dimension linéaire, puis les méthodes de classification non supervisée, ou clustering.
2 Prérequis et compétences
Prérequis
- Notions d’algèbre linéaire (réduction d’endomorphismes)
- Statistique descriptive
Compétences acquises
- Savoir utiliser les outils selon le contexte d’application.
- Mise en œuvre avec les outils modernes de la science des données en R et/ou Python.
- Interprétation des résultats obtenus.
3 Organisation générale
- 2h * 12 séances de Cours/TD
- 2h * 3 séances de TP sur R et/ou Python en demi groupe
- Supports de cours en ligne et Moodle
- Évaluation
- 1 Contrôle continu: évaluation sur table 1h
- 1 Contrôle terminal: évaluation sur table 2h
- Bonus: Pull Request pour améliorer ce cours jusquà 1pt sur la note finale
4 Séances en détail
| Date | Activité | Thème |
|---|---|---|
| 07/09 | CM/TD | ACP |
| 09/09 | CM/TD | ACP |
| 10/09 | CM/TD | ACP |
| 21/09 | CM/TD | ACP/AFC |
| 23/09 | CM/TD | AFC |
| 25/09 | CM/TD | AFC/ACM |
| 28/09 | CM/TD | ACM |
| 30/09 | CM/TD | AFM |
| 05/10 | CM/TD | AFM/ACM |
| 06/10 | TP1 * 2 | ACP |
| 07/10 | CM/TD | ACM |
| 12/10 | CM/TD | Clustering |
| 14/10 | TP2 * 2 | AFC/ACM |
| 21/10 | CM/TD | Clustering + CC |
| 21/10 | TP3 * 2 | Clustering |