À la suite de ce cours, l’étudiant sera en mesure :

• d’expliquer le fonctionnement des techniques de forage de textes et de données audiovisuelles;
• de choisir une approche de forage en fonction des besoins de l’application;
• d’évaluer les approches de techniques de forage.

Introduction à la théorie et aux techniques de forage de textes et de données audiovisuelles. Systèmes de recherche d'information textuelle et de documents audiovisuels; indexation efficace de texte et de documents audiovisuels; espace vectoriel booléen, modèles probabilistes de requête. Documents structurés et non structurés. Taille et diversité des corpus. Discussion sur les métriques d’évaluation et survol des techniques d’agrégation et de classification. Indexation sémantique latente. Évaluation des performances. Visualisation des résultats. Traitement automatique du langage naturel.

Ce cours vise à procurer à l'étudiant(e) une connaissance de niveau intermédiaire des méthodes de forage de données textuelles et audiovisuelles et de leurs applications. Il vise également à faire comprendre les avantages et les limites de ces méthodes.

À la fin du cours, l’étudiant(e) sera en mesure d’expliquer le fonctionnement des techniques de forage de textes et de données audiovisuelles, de choisir une approche de forage en fonction des besoins de l’application et d’évaluer les résultats.

Il (elle) devra également être capable de lire et comprendre des articles scientifiques récents de niveau intermédiaire traitant des techniques de forage et de synthétiser ces connaissances pour ses pairs.

À la fin du cours, il (elle) possèdera une assez bonne connaissance des méthodes existantes. Il (elle) aura conçu et réalisé un mini-projet de forage qu’il (elle) aura consigné dans un rapport technique et présenté en format conférence.

• 3,5 heures de cours en mode laboratoire interactif. Les documents pertinents (incluant les vidéocasts de la plupart des cours) seront placés au fur et à mesure sur le site Moodle du cours. Il est de la responsabilité de l'étudiant(e) de consulter régulièrement ce site. Selon les besoins, la seconde moitié des cours est dédié au suivi des projets individuels.
• À partir de la 9e semaine de cours,  nous consacrons plus de temps à la réalisation du projet et son suivi. Afin d’offrir un suivi personnalisé des projets, les cours des semaines 9 et 11 seront transformés en séances de consultation sur mesure qui pourront se dérouler individuellement ou par petits groupes durant la période précitée.

La stratégie pédagogique adoptée se veut participative et centrée sur les projets des étudiants inscrits. Les cours nécessitent l'utilisation d'un ordinateur. Chaque cours débute par une courte introduction du professeur. La durée de cette introduction varie selon le thème abordé. Elle est suivie d'une séance de suivi de projet ou d'une séance d'exercices. 

Le rapport final du projet est présenté en formant « article de conférence ». L’ensemble des rapports constitue le contenu des Actes de la onzième édition de la mini-conférence ÉTS-MINE. Celle-ci se tiendra sous la forme d'une session d'affiches. Les meilleurs articles pourront être soumis à une conférence nationale ou internationale. Dans cette optique, les articles pourront être rédigés en français ou en anglais. 

Contenu détaillé[1]

1.    Introduction (3 heures[2])

1.1    Définition du forage : approches descriptives, prédictives et d’agrégation
1.2    Apprentissage machine et forage de données
1.3    Utilisation du forage : analyse des données, prétraitements, choix des approches, évaluation des résultats
1.4 Processus standard intersectoriel pour l'exploration de données

2. Rappel des techniques supervisées (3 heures)

2.1 Classification et prédiction
2.2 Arbres de décision
2.3 Classifieur bayésien
2.4 Plus proches voisins
2.5 Réseaux de neurones

3. Techniques non supervisées: forage de règles (10 heures)

3.1 Patrons fréquents et ensemble d'items fréquents
3.2 Règles d'association (confiance, support et lift)
3.3 Algorithme Apriori
3.4 Évaluation des patrons (Lift, khi 2, mesures nulles invariantes, comparaison des mesures)

4. Techniques non supervisées: groupements (10 heures)

4.1 Critères de groupement, distances inter et intra groupes
4.2 Familles d'algorithmes (modèle, densité, patition, grille, hiérarchique)
4.3 Validation et évaluation (qualité, stabilité, tendance)
4.4 Techniques par partitionnement, hiérarchiques, par densité, par grilles

5. Données textuelles et audio-visuelles et extraction d’information (10 heures)

5.1 Défis et besoins industriels d'analyse des données 
5.2 Préparation des données: types de données, sources, styles, qualité, format
5.3 Choix des caractéristiques pour l'apprentissage machine et problèmes de dimensionnalité
5.4 Réduction des dimensions (analyse factorielle, composantes principales) et analyses de topiques

6. Sujets variés (3 heures)

6.1 Détection de données aberrantes
6.2 Forage des flux de données
6.3 Utilisation à des fins de sécurité et de renforcement de la loi
6.4 Impacts sociaux du forage de données

[1]  La matière ne sera pas nécessairement présentée dans cet ordre; le contenu de certaines sections couvrant les cours 6 à 13 pourra être modifié afin de mieux s'aligner sur les projets des étudiants du groupe. 

[2]   Ces heures sont des heures approximatives d’enseignement pour chaque sujet et incluent le temps alloué à l’examen.

Projet de forage (55 %) – Équipe de 2 au maximum

Projet personnel de forage : ce projet comprend cinq (5) évaluations, la proposition, le rapport d’étape, le résumé, le rapport final et la présentation orale dans un format de type « affiche » devant un public.

proposition (5 % - cours 5), rapport d’étape (9 % - cours 9), résumé* (9 % - cours 11), rapport final (20 % - 2 jours après la présentation), présentation (12 % - durant la dernière semaine de cours)

Examen (30 %) – Individuel

Examen de type « apportez-moi à la maison » portant sur le matériel couvert pendant le cours : durant la semaine cours 12-13.

Exercices de compréhension (15 %) – Individuel

Cinq (5) petits exercices sur la matière vue durant les huit (8) premiers cours.

Remarques

• La qualité du français/anglais sera prise en considération (jusqu'à 10 % de pénalité).
• Une participation active des étudiants (es) est exigée. Jusqu’à 5% de la note finale sera retenue pour représenter cette participation.

*   Les résumés jugés déficients devront être modifiés (max. 2 jours avant les présentations) car ils serviront à publiciser la conférence.

La remise de tous les travaux doit respecter les échéanciers fixés. La correction s’effectuant souvent le jour même de la remise, tout retard entraîne la note zéro.

Il n'y a pas de références obligatoires. Cependant, les étudiants sont tenus de consulter le site Moodle du cours pour y récupérer les lectures obligatoires.

AGGARWAL, Charu, C., REDDY, Chandan K. (eds) Data Clustering - Algorithms and Applications. Chapman & Hall/CRC Press, 2014.

FELDMAN, Ronen & SANGER, James, The Text Mining Handbook – Advances Approaches in Analyzing Unstructured Data. Cambridge University Press, 2007.

*HAN, Jiawei, KAMBER, Micheline, PEI, Jian, Data Mining – Concepts and Techniques. Morgan Kauffmann, 3^rd Edition, 2011.

MANNING, Christopher, RAGHAVAN, Prabhakar & SCHÜTZE, Hinrich, Introduction to Information Retrieval. Cambridge University Press, 2008.

*MANNING, Christopher, SCHÜTZE, Hinrich, Foundations of Statistical Natural Language Processing. MIT Press, 1999.

*WITTEN, Ian H. & FRANK, Eibe, Data Mining – Practical Machine Learning Tools and Techniques. Morgan Kauffmann, 4^e Edition, 2017.

Consultez le site Moodle du cours pour la liste complète et constamment mise à jour de tous les outils pertinents. 

Nous utiliserons principalement :

• R (http://www.r-project.org/) R Project for Statistical Computing.
• Weka (http://www.cs.waikato.ac.nz/ml/weka/) Data Mining Software in Java.
• Python 3.x.