1^ère partie : Analyse de données multidimensionnelles (Michel Rioux)

Date

• Introduction au cours (contexte, références, matière couverte)
• Rappel : quelques éléments d'algèbre linéaire et de statistique
  • Transformation linéaire;
  • Valeurs propres et vecteur propres;
  • 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 et à l'aide du complément d'algèbre linéaire matrix.xla.

Analyse en composantes principales (ACP)

• 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/FactomineR.

10 mai 2022

• 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.

• 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.

Analyse (factorielle) des correspondances Multiples (ACM)

• 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/FactomineR.

17 mai 2022

Classification hiérarchique et partitionnement

• 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.

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/FactomineR.

24 mai 2022

2^e partie : Conception et déploiement des systèmes prédictifs (Tony Wong)

Date

Traitement des données

• Nettoyage;
• Mise en échelle;
• Détection des valeurs aberrantes;
• Jeu de données déséquilibré.

Ingénierie et sélection des caractéristiques

• Regroupement des données (binning)
  • Entropie et MDL (Minimum Description Length);
  • Quantiles;
  • Largeur égale;
  • Largeur personnalisée;
  • ACP.
• Sélection des caractéristiques
  • Approche « filter » : corrélation, théorie de l’information, tests statistiques;
  • Approche « wrapper » : importance des caractéristiques basée la permutation (permutation feature importance).

Les applications pratiques seront effectuées avec Azure ML studio Desginer.

31 mai 2022

Intégration avec R

• Survol de R;
• Déploiement de R;
• Exemples d’application.

Modèles prédictifs

• Boosted Decision Trees;
• SVM (Support Vector Machines);
• Bayes Point Machines;
• Neural Networks;
• K-means;
• Self-organizing Maps
• Interprétation des résultats par LIME et SHAP

Les applications pratiques seront effectuées avec Azure ML studio Designer et R.

7 juin 2022

Systèmes prédictifs en tant que services WEB

• Conversion des modèles prédictifs en services WEB;
• Utilisation des modèles prédictifs à distance :
  • Query editor de Power BI;
  • VBA d'Excel;
  • R 

Déploiement en entreprise

• Intégration dans Power Automate
  • Création d’un « flow »;
  • Personnalisé le « flow »;
  • Automatisation par des éléments UI (User Interface);
  • Réaliser des requêtes.
• Intégration dans Power Apps
  • Création d’une application mobile/web;
  • Connexion aux services WEB des modèles prédictifs;
  • Réaliser des requêtes.

Les applications pratiques seront effectuées avec Azure ML studio Designer, Excel, R, Power Automate et Power Apps.

14 juin 2022