Introduction au Data Mining 

○ Qu'est-ce que le Data Mining ? 

○ Historique et évolution 

○ Applications et bénéfices dans le milieu professionnel 

Processus de Data Mining 

○ Le processus CRISP-DM (Cross-Industry Standard Process for Data Mining) 

○ Collecte et préparation des données 

○ Compréhension des données 

Techniques et méthodes de base 

○ Classification 

○ Régression 

○ Clustering 

Techniques avancées de Data Mining 

○ Association et règles d'association (ex: algorithme Apriori) 

○ Techniques de réduction de dimension (ex: PCA) 

• Évaluation des modèles 

○ Techniques de validation croisée 

○ Mesures de performance (précision, rappel, AUC-ROC, etc.) 

Mise en pratique 

○ Atelier pratique sur une étude de cas d'entreprise (analyse de la fidélité client, par exemple). 

○ Analyse et interprétation des résultats. 

Perspectives et tendances 

○ Le rôle de l'IA dans le Data Mining 

○ Intégration du Data Mining  dans la stratégie d'entreprise 

Exercices pratiques 

Les exercices proposés lors des formations sont centrés sur chaque concept présenté durant la formation. Les exercices abordent les concepts et la difficulté de façon progressive. A la fin de la formation, un exercice récapitulatif d’intégration des concepts est proposé aux participants. Les exercices proposés sont les suivants : 

•  Analyse exploratoire des données : Utilisez un ensemble de données pour réaliser une analyse descriptive. (par exemple : moyenne, médiane, mode, écart-type) 

•  Utilisation d'un outil de Data Mining  : À l'aide d'un logiciel, réaliser une simple classification sur un jeu de données fourni. 

•  Exercice de clustering : Utilisez un jeu de données pour identifier des groupes ou segments distincts. 

•  Règles d'association : À partir d'un jeu de données sur les transactions, déterminez les articles fréquemment achetés ensemble. 

•  Évaluation d'un modèle : Évaluez la performance d'un modèle de classification sur un jeu de données test.