1

• Introduction au cours (contexte, références, matière couverte)
• Rappel: quelques éléments d'algèbre linéaire et de statistique
  • Transformation linéaire;
  • Valeurs propres et vecteur propres;
  • Matrices semi-définie positive;
  • Variance, covariance et corrélation;
  • Matrice de covariance.
• Éléments de base en analyse de données
  • Données centrées et réduites;
  • Nuages des individus;
  • Nuage des variables.

Ces concepts et notions seront utilisés dans toutes les autres sections de ce cours.

Les applications numériques seront effectuées avec Excel à l'aide du complément d'algèbre linéaire matrix.xla.

3

6 janvier

M. Rioux

2

• But et contexte d'application;
• Étude des individus;
• Étude des variables;
• Liens entre les deux études;
• Individus et variables supplémentaires;
• Applications numériques.

Techniques d'interprétation des résultats

• Projection des individus dans l'espace des variables;
• Projection des variables dans l'espace des individus;
• Qualité de représentation Cos²;
• Contribution des individus - des variables;
• Cercle de corrélation.

Les applications numériques seront effectuées avec Stagraphics et R.

3

13 janvier

M. Rioux

3

• But et contexte d'application;
• Test de l'indépendance du khi carré;
• Étude des profils-lignes;
• Étude des profils-colonnes
• Liens entre les deux études;
• Effet Guttman;
• Exemples numériques.

Techniques d'interprétation des résultats

• Géométrie des coordonnées principales;
• Distance par rapport à l'origine;
• Inertie d'un point, d'une composante;
• Contribution d'un point;
• Qualité de représentation Cos².

Les applications numériques seront effectuées avec Stagraphics et R.

3

20 janvier

M.Rioux

• But et contexte d'application;
• Tableau disjonctif complet des données;
• AFC sur le tableau disjonctif complet;
• Exemples numériques.

Techniques d'interprétation des résultats

• Géométrie des coordonnées principales;
• Distance par rapport à l'origine;
• Inertie d'un point, d'une composante;
• Contribution d'un point;
• Qualité de représentation Cos².

Les applications numériques seront effectuées avec Stagraphics et R.

3

27 janvier

M. Rioux

• But et contexte d'application;
• Notions de ressemblance;
• Utilité du partitionnement et de la classification hiérarchique en analyse factorielle;
• Exemples numériques.

Techniques d'interprétation des résultats

• Détermination du nombre de classes.

Les applications numériques seront effectuées avec Stagraphics et R.

3

3 février

M. Rioux

Modèles classiques de régression

• But et contexte d'application;
• Régression multiple;
• Régression logistique;
• Analyse discriminante;
• Exemples numériques.

Les applications numériques seront effectuées avec Stagraphics et R.

3

10 février

M. Rioux

3

17 février

M. Rioux

7

• Apprentissage et validation;
• Données pour l'apprentissage et validation;
• Caractéristiques et cibles;
• Généralisation, précision et justesse;

Microsoft Azure ML

• Compte Azure et son portail;
• Création d'un espace de travail;
• Azure ML Studio (classic);
• Exemple d'utilisation
  • Jeu de données;
  • Modules;
  • Paramètres des modules;
  • Expériences;
  • Modèles prédictifs;
  • Apprentissage et évaluation.

La conception et l'application des modèles prédictifs se feront à l'aide d'Azure Machine Learning (classic) un environnement infonuagique de Microsoft.

3

03 mars

T. Wong

8

Modèles

• Arbres et forêt d'arbres décisionnels;
• Naïve Bayes;
• K-means;
• Machines à vecteurs de support.
• Réseaux de neurones;
• Apprentissage profond.

Mesures

• Justesse;
• Perte logistique;
• AUC ROC;
• Matrice de confusion
• MAE, MSE.

6

10 - 17 mars

T. Wong

9

• Préparation du jeu de données;
• Apprentissage du modèle prédictif:
  • Hold out;
  • Validation croisée.
• Évaluation du modèle prédictif;
• Test du modèle prédictif;
• Déploiement du modèle prédictif sous forme d'un service WEB;
• Test du service WEB.

Les étapes de conception seront présentés à l'aide d'Azure Machine Learning (classic) un environnement infonuagique de Microsoft.

6

24 - 31 mars

T. Wong

10

• Prédire le désabonnement des clients;
• Segmentation de la clientère;
• Détection d'anomalie;
• Intégration avec Power BI.

3

07 avril

T. Wong