Data Mining (F-dat-00)

    

Apprendre les méthodes pour fouiller des données variées ou pour chercher à prévoir les valeurs d’une variable quantitative ou qualitative. Les méthodes présentées seront mises en œuvre au cours d’ateliers. Les différentes étapes d’une étude de Data Mining seront détaillées ainsi que les méthodes de validation des résultats obtenus.


Informations
Public : Ce stage s’adresse aussi bien aux décideurs qu’aux statisticiens ou aux chargés d’études en charge de l’exploitation des données de l’entreprise (applications marketing, gestion de la relation client, scoring, churn, etc.)
Pré-requis : Il est conseillé d'avoir suivi la formation Pratique de la Statistique I ou d'avoir acquis par la pratique un niveau équivalent.
Méthode : Pédagogie active mettant souvent les participants en situation devant des problèmes concrets et appelant les méthodes d’analyses présentées. On évite de s’appesantir sur les aspects techniques pour privilégier l’analyse critique, le domaine d’application et les conditions d’utilisation des méthodes.
Les applications pratiques seront mises en œuvre dans le logiciel R.
Durée : 4 jour(s)
Prochaine(s) session(s) :
Lieu Du Au
Paris11/12/2017 14/12/2017
Paris26/03/2018 29/03/2018
Paris24/09/2018 27/09/2018

Frais d'inscription :
- Inter-entreprises : Prix unitaire par stagiaire(s) inscrit(s)
1 inscrit2 inscrits 3 inscrits et +
2000€ HT1800€ HT1600€ HT
- Intra-entreprise : Nous consulter
Programme
- Introduction au Data Mining
  • Qu’est ce que le Data Mining
  • A quoi sert le Data Mining
  • Le déroulement d’une étude de Data Mining
  • Les différentes méthodes de validation
  • Aperçu des logiciels de Data Mining
- Explorer des données (apprentissage non supervisé)
  • Exploration graphique multidimensionnelle : les méthodes factorielles :
    • ACP, AFM, STATIS
    • AFC, ACM
  • Création de groupes
    • Classification ascendante hiérarchique
    • K-means
  • Réseaux de neurones
    • cartes de Kohonen
  • Règles d'association
  • Complémentarité des méthodes
  • Ateliers
- Prédire les valeurs d'une variable qualitative (apprentissage supervisé)
  • Analyse Factorielle Discriminante
  • Régression logistique
  • Arbre de décision
  • Agrégation de modèles
    • Bagging, Forêts aléatoires, Boosting
  • Support Vector Machine (SVM)
  • Réseaux de Neurones
- Prédire les valeurs d'une variable quantitative (apprentissage supervisé)
  • Régression multiple
  • Régression avec sélection algorithmique des variables explicatives
  • Régression ridge, régression lasso, elastic net
  • Régression sur composantes principales, régression PLS
  • Arbres de régression
  • Agrégation de modèles
  • Ateliers


Pour plus de renseignements, contactez :

- Tél : +33 (0) 1 72 92 05 58