La première partie est consacrée à des méthodes d’apprentissage non supervisé afin d’aider à la manipulation et à la visualisation de données. Une méthode classique de statistiques exploratoires -- l’analyse en composantes principales -- et des méthodes de classification non supervisée telles que les k-means et la classification ascendante hiérarchique sont présentées dans cette première partie.
La seconde et majeure partie est consacrée à des méthodes d’apprentissage supervisé afin de fournir des outils de modélisation et d’interprétation de données. Le modèle linéaire -- qui regroupe la régression linéaire, l’analyse de la variance à un et deux facteurs et l’analyse de la covariance --, la régression logistique et la méthode des k plus proches voisins sont présentés dans cette partie.
Cette UE comporte des cours magistraux, des travaux dirigés et des TD informatiques sur le logiciel R.
La seconde et majeure partie est consacrée à des méthodes d’apprentissage supervisé afin de fournir des outils de modélisation et d’interprétation de données. Le modèle linéaire -- qui regroupe la régression linéaire, l’analyse de la variance à un et deux facteurs et l’analyse de la covariance --, la régression logistique et la méthode des k plus proches voisins sont présentés dans cette partie.
Cette UE comporte des cours magistraux, des travaux dirigés et des TD informatiques sur le logiciel R.
- Enseignant: Eric Adjakossa
- Enseignant: Pierre BARBILLON
- Enseignant: Pierre Gloaguen
- Enseignant: José Grégorio Gomez-Garcia
- Enseignant: Agnès HOLL-NICAUD
- Enseignant: Céline LÉVY-LEDUC
- Enseignant: Laure SANSONNET
Année: 20/21