Analyse de données.

Dans ce cours nous aborderons différentes techniques d'apprentissage statistique. Plus précisément nous nous intéresserons à l'apprentissage non supervisé avec les méthodes d'analyse en composantes principales et de partitionnement et à l'apprentissage supervisé avec les méthodes de régression et de classification. Ces méthodes seront mises en oeuvre lors de 2 séances de TP avec le langage de programmation R. Ensuite, des mini projets vous seront proposés.

Introduction à l'analyse des données et à l'apprentissage statistique
Apprentissage non supervisé :
* Analyse en Compostantes Principales (ACP)
* Clustering (kmeans et classification ascendante hiérarchique)
Apprentissage supervisé :
* Régression linéaire simple et multiple
* classification (knn, analyse discriminante linéaire et quadratique, bayésien naif, régression logistique, Arbres de décision et forêts aléatoires).
Mise en œuvre des méthodes et méthodologies avec le logiciel R

Apprentissage non supervisé : ACP , partitionnement. Apprentissage supervisé : régression , classification.
Filtrage, classification, estimateurs, apprentissage. Langage R.