Description

Ce module a pour objectif de présenter un panorama de méthodes de l'analyse exploratoire de données en allant des bases du domaine à des méthodes très récentes. La présentation met en évidence les liens avec les méthodes de la reconnaissance des formes et de l'apprentissage vues dans d'autres cours. Le cours s'appuie sur la manipulation effective des principaux algorithmes pour des applications réelles sur diverses classes de données (numériques, sémantiques). Le projet donne lieu à un projet individuel.

Contenu indicatif :

• Techniques d'analyse de données : Analyse en composantes principales - Analyse cacnonique - etc
• Méthodes de réduction de dimension : Local Linear Embeding - Cartes topologiques - Random Projection - etc
• Méthodes de sélection de variables
• Astuce du noyau et kernélisation des techniques d'analyse de données (Kernal ACP)
• Méthodes de clustering : K-Means, Algorithmes hiérarchiques, Kernel K-Means, Support Vector Clustering - Clustering de séquences et de données structurées
• Méthodes de classification : Analyse discriminante de Fisher - Analyse Discriminante Multiple - Analyse Discriminante Quadratique - et versions kernélisées