Formation Exploration de données : Maîtriser le Data Mining Pratique

Programme de la formation
Exploration de données : Maîtriser le Data Mining Pratique

• Introduction au Data Mining et préparation des données

  - Définition et enjeux du Data Mining
  - Cycle de vie d'un projet de Data Mining (CRISP-DM)
  - Types de données et sources (structurées, non structurées)
  - Présentation de l'environnement de travail (outils, logiciels)

• Exploration et visualisation des données (EDA)

  - Statistiques descriptives univariées (Moyenne, Médiane, Écart-type)
  - Statistiques descriptives multivariées (Corrélation)
  - Techniques de visualisation (Histogrammes, Box plots, Scatter plots)
  - Identification des anomalies et valeurs manquantes

• Nettoyage et transformation des données (Partie 1)

  - Gestion des valeurs manquantes (imputation, suppression)
  - Détection et traitement des valeurs aberrantes (outliers)
  - Normalisation et standardisation des données
  - Discrétisation des variables continues

• Nettoyage et transformation des données (Partie 2)

  - Techniques de réduction de dimensionnalité (ACP/PCA)
  - Feature engineering : création de nouvelles variables
  - Codage des variables catégorielles (One-Hot Encoding)
  - Préparation des données pour les algorithmes spécifiques

• Introduction aux algorithmes de classification

  - Concepts fondamentaux de la classification (Supervision)
  - Arbres de décision (CART, C4.5) : principes et construction
  - Mesures de performance : Précision, Rappel, F1-score
  - Exercices pratiques sur des cas simples

• Classification avancée et évaluation de modèles

  - Régression logistique et machines à vecteurs de support (SVM)
  - K-plus proches voisins (KNN) et Naive Bayes
  - Matrices de confusion et courbes ROC (AUC)
  - Validation croisée pour l'évaluation robuste des modèles

• Introduction aux algorithmes de régression

  - Concepts fondamentaux de la régression (Prédiction numérique)
  - Régression linéaire simple et multiple
  - Mesures de performance : RMSE, R-carré
  - Utilisation d'exemples concrets pour la prédiction

• Concepts de clustering (Segmentation non supervisée)

  - Introduction au clustering : découvrir des groupes
  - Algorithme K-Means : principes, choix de K
  - Hierarchical Clustering: dendrogrammes et interprétation
  - Évaluation des clusters : silhouette score

• Règles d'association et systèmes de recommandation

  - Introduction aux règles d'association (Apriori)
  - Mesures de qualité : Support, Confiance, Lift
  - Principes des systèmes de recommandation (filtrage collaboratif)
  - Application des règles d’association dans des scénarios métier

• Détection d'anomalies et séries temporelles

  - Techniques de détection d'anomalies univariées et multivariées
  - Introduction à l'analyse de séries temporelles
  - Composantes d'une série temporelle (tendance, saisonnalité)
  - Méthodes simples de prévision (moyennes mobiles)

• Éthique, biais et interprétabilité des modèles

  - Considérations éthiques en Data Mining
  - Identification et atténuation des biais dans les données/modèles
  - Interprétabilité des modèles (SHAP, LIME)
  - Confidentialité des données (RGPD) et sécurité

• Mise en œuvre et cas d'usage réels

  - Pipeline de Data Mining de bout en bout
  - Industrialisation des modèles (déploiement, monitoring)
  - Études de cas concrets (marketing, finance, santé)
  - Présentation d'outils et plateformes avancées
  **Compétences acquises :**