La fouille de données vise à découvrir, dans les grandes quantités de données, les informations importantes qui peuvent aider à comprendre les données ou à prédire Le comportement des données futures. Le but de ce cours est d'initier les apprenants aux différents algorithmes et techniques utilisés en fouille de données.
Prérequis recommandés : Connaissances: algorithmique, statistiques, probabilités
1 - Introduction générale
2, 3 - Recherche des modèles fréquents et des règles d’associations
4 - Classification : Partie 1
5 - Classification : Partie 2
6 - Classification : Partie 3
7 - Classification : Partie 4
8 - Classification : Partie 5
9 - Regression
10 - Clustering
Using WEKA and Python
1 - Recherche des modèles fréquents et des règles d’associations
2 - Classification : Partie 1
3 - Classification : Partie 2
4 - Classification : Partie 3
5 - Regression
| N° | File | Resources |
|---|---|---|
| Lecture 1 | Download | |
| Lecture 2, 3 | Download | |
| Lecture 4 | Download | |
| Lecture 5 | Download | |
| Lecture 6 | Download | |
| Lecture 7 | Download | |
| Lecture 8 | Download | |
| Lecture 9 | Download |
| N° | Seminar | Lab Session |
|---|---|---|
| 0 | Installation | |
| 1 | Python | |
| 2 | Download |
- Apriori - Apriori & Apriori - Apriori - Apriori |
| 3 | Download |
- Decision Trees - Decision Trees |
| 4 | Download |
- Naive Bayes & KNN - Naive Bayes |
| 5 | Download |
- Neural Nets - Neural Nets |
| 6 | Download | SVM |
| 7 | Download |
- Regression - Regression |