Contenu

(septembre 2016)

Le but du cours est d'analyser les données selon leur structure, de représenter graphiquement ces analyses, d'apprendre à partir des données, et de valoriser les analyses et les prédictions.

Plan de cours

1. Données: Texte, semi-structurées, structurées (tables). Ces Données peuvent être incertaines, inexactes, avec des valeurs nulles, connues par leurs statistiques.
   • Texte: expressions régulières et automates, distance d'édition, Testeurs et Classification, motifs fréquents, statistiques des moments,
   • Arbres: DTD, distance d'édition, Xquery, données de flux, Testeurs et Classification,
   • Tables. Schéma relationnel, Langage SQL. Entrepôt de données, Schéma Etoile , Représentation XML d’un schéma, Cube, requêtes OLAP multi-dimensionnelles, représentation graphique,

2.  Data Mining. Arbres de décisions, Régression linéaire, Réseaux de neurones, Clustering. Text Mining. Applications aux BIG DATA et aux Réseaux Sociaux (Twitter,...)

3. Equilibres et Mécanismes. Nash, Mécanisme Adwords, Economie Numérique.

​​Organisation

3h de cours pendant 12 semaines au 1er semestre. Chaque cours est divisé en 2 parties : la première partie introduit les modèles théoriques et leur contexte, la deuxième partie présente des contextes où des logiciels illustrent les concepts théoriques et seront ensuite utilisés dans les TDs. 1h1/2 de T.D. pendant 12 semaines au 1er semestre. Chaque étudiant utilise les logiciels présentés en cours et construit un projet qui comporte plusieurs parties complémentaires.

Evaluation

Examen de 3h portant sur les principes théoriques. Une note de TD évalue le projet global de chaque étudiant. La note finale est la moyenne de ces deux notes.