Fiche-UE_CODE_ADE_OPT_MODNDETER.doc - LIRIS - CNRS

|Nom de l'UE : MODELES STATISTIQUES POUR L'AIDE A LA DECISION |
| |
|Nombre de crédits : 6 |
|UFR de rattachement : UFR Informatique |
| |
|Responsables de l'UE : Alexandre Aussem Tél : 04 26 23 44 66, mail : |
|aaussem@univ-lyon1.fr |
|Autres intervenants : ), Alain Dussauchoy, Jean-Marc Adamo et Khalid Benabdeslem |
| |
|Contact formation : Alain Mille, Alain Guinet Tél : e-mail : |
|alain.mille@liris.cnrs.fr |
| |
|Enseignement présentiel : 30 heures |
|Répartition de l'enseignement présentiel : |
|Cours Magistraux 15 heures |
|Travaux Dirigés 15 heures |
|Travaux Pratiques heures |
|Contrôle des connaissances[1] |
|Contrôle continu[2] : 0% |Examen terminal : 100% |
|Type de l'UE |
|Obligatoire : NON Formation : Mention Informatique |
|Parcours : |
|Optionnelle : OUI Formation : Mention Informatique |
|Parcours : ADE |
|Place de l'UE dans le parcours : M2 semestre : 3 |
|Modalités d'accès à l'UE (pré-requis conseillés) : Oui lesquels : |
|Probabilités, statistiques, espaces vectoriels, algèbre linéaire |
|Programme - contenu de l'UE |
|Objectifs du cours |
|L'objectif de ce cours est de présenter les concepts, méthodologies et techniques |
|d'analyse de données et d'apprentissage statistique à mettre à profit dans un |
|processus d'extraction de connaissance et d'aide à la décision |
|PLAN |
|1. Analyse de données |
|Analyse en composantes principales |
|Analyse des correspondances |
|Classification non hiérarchique (K-means, nuées dynamiques etc.) |
|Classification hiérarchique |
|L'analyse discriminante |
|Régression linéaire |
|Exemples d'application |
| |
|2. Cartes auto-organisatrices de Kohonen (SOM) |
|Quantification vectorielle |
|Apprentissage des cartes |
|Cartes topologiques binaires, mixtes, temporelles, sous contraintes |
|Cartes topologiques et sélection de variables |
|Exemples d'application |
| |
|3. Séparateurs à Vaste Marge (SVM) |
|Séparation linéaire |
|Optimisation Lagrangienne |
|Noyaux |
|Régression |
|Classification Multi-classes (Méthodes directes et par décomposition) |
|Exemples d'application |
| |
|4. Réseaux de neurones |
|Le modèle multi-couche |
|La rétro-propagation |
|Les réseaux à bases radiales |
|Application à la régression. |
|Application à la classification supervisée. |
| |
| |
|Note : les réseaux bayésiens sont déjà traités dans l'U.E. de base : Graphe et |
|Applications. |
| |
|Bibliographie |
|[1] Kohonen, T. Self organizing maps. Springer Third Edition 2001. |
|[2] Vapnik V.N The Nature of Statistical Learning Theory, Springer, New York, 1995.|
| |
|[3] Saporta. Probablités, Analyse de Données et Statistiques, Editions TECHNIP, |
|Paris, 2006. |
|[4] Bishop C. Pattern Recognition and Machine Learning, Springer, 2006.. |
|[5] Gourieroux V.N Séries temporelles et modèles dynamiques, Economica, 1990 |
| |
|Compétences acquises |
| |
|Méthodologiques : : Acquisition de concepts et méthodes pour effectuer des |
|prévisions, reconnaître des formes, élaborer des modèles dans le cadre d'un |
|processus d'aide à la décision |
| |
|Techniques : Mise en ?uvre des méthodes et algorithmes modernes de l'analyse de |
|données et de l'extraction de connaissance. |
| |
|Secteur d'activité concerné et compétences métier acquises : Industrie des biens |
|ou/et des services |
| |
| | -----------------------
[1] Préciser le poids attribué à chaque note : contrôle continu, contrôle
terminal.
[2] Préciser les modalités : note attribuée à l'issue de séances de T.P. ou
note de partiel ;