Edensia

• Mettre en forme les données pour les rendre exploitables par des algorithmes de fouille.

• Identifier les besoins et leur faisabilité

• Comprendre l'impact de la non-représentabilité des données sur les résultats obtenus

• Déterminer les facteurs influençant une variable à prédire

​​

Ces concepts sont mis en pratique à l'aide des travaux pratiques en utilisant un outil de data mining de type Tanagra, R, SAS...

​

Exemples de méthodes (prédictives) : arbres de décision, forêts aléatoires, boosting, bayésien naïf.

Exemples de méthodes (non prédictif) : K-means, Clustering hiérarchique, règles d'association.

Data mining prédictif et non prédictif

• Valoriser graphiquement des résultats issus de données, d'informations (de type Open Data)

• Décrire les techniques et les outils de data visualisation qui existent aujourd'hui

• Montrer les différents modes de représentation graphique et visuelle

​​

Travaux réalisés avec des logiciels professionnels de visualisation de type Microsoft Power BI Desktop, Tableau Software Public

Data visualisation