Jean Roger Mably, profile picture
Téléchargé parJean Roger Mably
PPTX, PDF3,358 vues

Seminaire datamining Ecole de Statistique et d'Economie Appliquée

Le document présente un séminaire sur le datamining animé par Jean Roger Mably, détaillant son origine, son importance, et ses applications dans divers domaines comme le CRM, la banque, l'assurance et le commerce. Il compare le datamining aux statistiques et au big data, mettant en avant ses techniques analytiques pour extraire des informations pertinentes de vastes ensembles de données. Enfin, il aborde les évolutions et les tendances futures du datamining, ainsi que ses avantages pour la prise de décision.

Intégrer la présentation

Téléchargé 401 fois
SEMINAIRE Jean Roger MABLY DATAMINING ET APPLICATIONS K Zx ( b 8 5 $ a > [K S Let’s come & see 9
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO  Customer Lifetime Management Analyst à MTN-CI depuis Juillet 2011  Professeur vacataire de Marketing et Etudes de marchés à l’ENSEA (ITS Option Entreprise) depuis 2013.  Concpeteur et administrateur de la page facebook Intelligence Marketing: www.facebook/pages/Intelligence-Marketing  CEO du Bureau d’Etude Spécialisé dans le traitement de l’INFOrmation (BEST-INFO): Cabinet spécialisé dans l’E-commerce et Data-Analytics. PRESENTATION DE L’INTERVENANT Jean Roger MABLY
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO PLAN DE PRESENTATION 1. Origine et Définition du Datamining 2. Apport du Datamining 3. Comparaison Datamining vs Statistiques et Datamining vs Big Data 4. Le Datamining d’hier, d’aujourd’hui et de demain PARTIE I: INTRODUCTION AU DATAMINING PARTIE II: PANORAMA DES TECHNIQUES DATAMINING 1. Les grands groupes de modèles 2. Analyse factorielle 3. Classification/Prédiction 4. Segmentation 5. Associations
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO PLAN DE PRESENTATION (2) PARTIE III: DOMAINES D’APPLICATIONS 1. Utilité du Datamining dans le CRM 2. Utilité dans la banque 3. Datamining dans l’assurance de risque 4. Datamining dans la téléphonie 5. Le datamining dans le commerce 6. Autres exemples PARTIE IV: CONSTRUIRE UN PROJET DATAMINING 1. SEMMA (SAS) 2. CRISP-DM (CLEMENTINE) PARTIE V: UTILISATION D’OUTILS 1. CLEMENTINE 2. TANAGRA
INTRODUCTION AU DATAMINING  Qu’est ce que le Datamining ?  A quoi sert le datamining ?  Ou va le Datamining ? [ I
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO La fouille des données Le DATAMINING est l’ensemble des: techniques et méthodes … destinées à l’exploration et l’analyse … de (souvent) grandes bases de données informatiques … en vue de détecter dans ces données des règles, des associations, des tendances inconnues (non fixées a priori), dans des structures particulières restituant de façon concise l’essentiel de l’information utile. … pour l’aide à la décision. On parle alors d’extraction de l’information dans la donnée Selon le MIT, c’est l’une des 10 technologies émergentes qui « changerons le monde » au XXIème siècle L’ONU à déclaré le 20 Octobre comme Journée mondiale de la Statistique
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Intérêt du data mining  On ne veut pas simplement confirmer des intuitions a priori par des requêtes dans les bases de données mais détecter sans a priori les combinaisons de critères les plus discriminantes  Par exemple, dans le domaine commercial, on ne veut plus seulement savoir:  « Combien de clients ont acheté tel produit pendant telle période ? »  Mais:  « Quel est leur profil ? »  « Quels autres produits les intéresseront ? »  « Quand seront-ils intéressés ? »  Les profils de clientèle à découvrir sont en général des profils complexes : pas seulement des oppositions « jeunes/seniors », « citadins/ruraux »… que l’on pourrait deviner en tâtonnant par des statistiques descriptives  Le data mining fait passer:  d’analyses confirmatoires  à des analyses exploratoires
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO À quoi sert le data mining? Sondage effectué en 2009 sur: www,kdnudgets.com  Mieux connaitre le client  Mettre en évidence des facteurs de risques  Test de médicaments et de comestiques  Détection automatique de fraude  Contôle de qualité des produits  Prévision d’audience TV  Astrophysique pour le classement des étoiles ou galaxie  Détection automatique de spam  Algorithm des moteur de recherche…
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Préhistoire du data mining  1875 : régression linéaire de Francis Galton  1896 : formule du coefficient de corrélation de Karl Pearson  1900 : distribution du ² de Karl Pearson  1936 : analyse discriminante de Fisher et Mahalanobis  1941 : analyse factorielle des correspondances de Guttman  1943 : réseaux de neurones de Mc Culloch et Pitts  1944 : régression logistique de Joseph Berkson  1958 : perceptron de Rosenblatt  1962 : analyse des correspondances de J.-P. Benzécri  1964 : arbre de décision AID de J.P. Sonquist et J.-A. Morgan  1965 : méthode des centres mobiles de E. W. Forgy  1967 : méthode des k-means de Mac Queen  1972 : modèle linéaire généralisé de Nelder et Wedderburn
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Histoire du data mining  1975 : algorithmes génétiques de Holland  1975 : méthode de classement DISQUAL de Gilbert Saporta  1980 : arbre de décision CHAID de KASS  1983 : régression PLS de Herman et Svante Wold  1984 : arbre CART de Breiman, Friedman, Olshen, Stone  1986 : perceptron multicouches de Rumelhart et McClelland  1989 : réseaux de T. Kohonen (cartes auto-adaptatives)  vers 1990 : apparition du concept de data mining  1991 : méthode MARS de Jerome H. Friedman  1993 : arbre C4.5 de J. Ross Quinlan  1996 : bagging (Breiman) et boosting (Freund-Shapire)  1998 : support vector machines de Vladimir Vapnik  2001 : forêts aléatoires de L. Breiman  2005 : méthode elastic net de Zhou et Hastie
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le data mining aujourd’hui  Ces techniques ne sont pas toutes récentes  Ce qui est nouveau, ce sont aussi :  les capacités de stockage et de calcul offertes par l’informatique moderne  la constitution de giga-bases de données pour les besoins de gestion des entreprises  la recherche en théorie de l’apprentissage  les logiciels universels, puissants et conviviaux (Clementine, EG & Miner de SAS  l’intégration du data mining dans les processus de production Ces évolutions permettent de traiter de grands volumes de données et font sortir le data mining des laboratoires de recherche pour entrer dans les entreprises
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le data mining aujourd’hui (2)  Agrégation de modèles  rééchantillonnage bootstrap, bagging, boosting…  Web mining:  optimisation des sites  meilleure connaissance des internautes  croisement avec les bases de données de l’entreprise  Text mining  statistique lexicale pour l’analyse des courriers, courriels, dépêches, compte-rendu, brevets (langue naturelle): 3 onglets de Gmail et Yahoo Spam, Moteurs de recherches Google, Bing…  Image mining  reconnaissance automatique d’une forme ou d’un visage (Google Glass, reconnaissance des sosie de la CIA…)  détection d’une échographie anormale, d’une tumeur
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le data mining de demain Autant de développement possible que votre imagination ne peut vous le permettre
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO data mining vs statistique DATAMINING STATISTIQUE Le datamining: 1. Traite plus de données 2. S’applique à une population entière 3. Travaille sur des données existante 4. Orienté pratique 5. Compréhensibilité des modèles plutôt que précision 6. Modèles localisés La statistique: 1. Traite moins de données 2. S’applique à un échantillon représentatif 3. Recueille des données avant le travail 4. Orienté théorie 5. Précision des modèles plutôt que Compréhensibilité 6. Modèles généralisés Le datamining utilise des techniques statistiques
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO data mining vs big data Le data mining est l’ensemble des techniques analytiques qui permettent d‘extraire de l’information d’une masse de données La Big Data est l’ensemble des techniques informatiques qui permettent de recueillir le plus grand nombre de données de toutes formes BIG DATA = VELOCITY + VERACITY + VOLUME DATA MINING = STATISTIQUE + APPRENTISSAGE + INTELLIGENCE ARTIFICIELLE
PANORAMA DES TECHNIQUES DATAMINING  Quelles sont les techniques de Datamining ?  Qu’est ce que le scoring  Ou va le Datamining ( II
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Les 2 types de techniques Le data mining  Les techniques descriptives (recherche de « patterns »):  visent à mettre en évidence des informations présentes mais cachées par le volume des données (c’est le cas des segmentations de clientèle et des recherches d’associations de produits sur les tickets de caisse)  réduisent, résument, synthétisent les données  il n’y a pas de variable à expliquer  Les techniques prédictives (modélisation) :  visent à extrapoler de nouvelles informations à partir des informations présentes (c’est le cas du scoring) la constitution de giga-bases de données pour les besoins de gestion des entreprises  expliquent les données  il y a une variable à expliquer
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Qu’est ce que la segmentation et factorisation ? (classificationenanglais) Regrouper des objets en groupes, ou classes, ou familles, ou segments, ou clusters, de sorte que :  2 objets d’un même groupe se ressemblent le + possible  2 objets de groupes distincts diffèrent le + possible  le nombre des groupes est parfois fixé  les groupes ne sont pas prédéfinis mais déterminés au cours de l’opération Méthode descriptive :  pas de variable cible privilégiée  décrire de façon simple une réalité complexe en la résumant Utilisation en marketing, médecine, sciences humaines…  segmentation de clientèle marketing Les objets à classer sont :  des individus  des variables  les deux à la fois (biclustering)
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Qu’est ce que la classification ou prédiction? (segmentationenanglais) Ce sont des méthodes prédictives Classement : la variable à expliquer (ou « cible », « réponse », « dépendante ») est qualitative  on parle aussi de segmentation (en anglais) ou de discrimination Prédiction : la variable à expliquer est quantitative  on parle aussi de régression  ou d’apprentissage supervisé (réseaux de neurones, arbres de décision…) Scoring : classement appliqué à une problématique d’entreprise (variable à expliquer souvent binaire) – chaque individu est affecté à une classe (« sain » ou « malade », par exemple) en fonction de ses caractéristiques
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Quelque types de score Score d’appétence  prédire l’achat d’un produit ou service Score de (comportement) risque  prédire les impayés ou la fraude Score de préacceptation  croisement des deux précédents Score d’octroi  prédire en temps réel les impayés Score d’attrition  prédire le départ du client vers un concurrent Et aussi :  En médecine : diagnostic (bonne santé : oui / non) en fonction du dossier du patient et des analyses médicales  Courriels : spam (oui / non) en fonction des caractéristiques du message (fréquence des mots…)
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Qu’est ce qu’une regle d’associations Ce sont des méthodes prédictives pour détecter des liaisons entre des « individus » d’un groupe ou d’en ensemble E.g. Panier de la ménagère : qu’elles sont les éléments qui viennent ensemble ? si vous avez acheté des fleurs et du thé, vous allez probablement acheter du pain aussi Pour découvrir modèles prédictifs cachés: Parfois les modèles prédictifs intéressant sont cachées La découverte d’association permet de trouver plusieurs petits lots de règles et peut de découvrir les modèles “masqués” Exploration Générale :  “Ne sais pas exactement qu’est ce que je cherche, mais juste dis moi qui va avec quoi”
DOMAINES D’APPLICATIONS  Quelles sont les applications du datamining ?  Comment son application change notre quotidiens ? b III
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Utilité du datamining dans le CRM (gestion de la relation client) Mieux connaître le client pour mieux le servir pour augmenter sa satisfaction pour augmenter sa fidélité (+ coûteux d’acquérir un client que le conserver) La connaissance du client est encore plus utile dans le secteur tertiaire : les produits se ressemblent entre établissements le prix n’est pas toujours déterminant ce sont surtout le service et la relation avec le client qui font la différence
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Exemple de Credit scoring Objectifs de la banque : vendre plus en maîtrisant les risques en utilisant les bons canaux au bon moment Le crédit à la consommation: un produit standard concurrence des sociétés spécialisées sur le lieu de vente quand la banque a connaissance du projet du client, il est déjà trop tard Conclusion : il faut être pro-actif détecter les besoins des clients et leur tendance à emprunter Faire des propositions commerciales aux bons clients, avant qu’ils n’en fassent la demande
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le Data mining dans la Banque  Naissance du score de risque en 1941 (David Durand)  Multiples techniques appliquées à la banque de détail et la banque d’entreprise  Surtout la banque de particuliers : montants unitaires modérés grand nombre de dossiers dossiers relativement standards  Essor dû à : développement des nouvelles technologies nouvelles attentes de qualité de service des clients concurrence des nouveaux entrants (assureurs, grande distribution) et des sociétés de crédit pression mondiale pour une plus grande rentabilité surtout : ratio de solvabilité Bâle 2
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le Data mining dans l’assurance de risque  Des produits obligatoires (automobile, habitation) : soit prendre un client à un concurrent soit faire monter en gamme un client que l’on détient déjà  D’où les sujets dominants : Attrition ventes croisées (cross-selling) montées en gamme (up-selling)  Besoin de décisionnel dû à : concurrence des nouveaux entrants (bancassurance) bases clients des assureurs traditionnels mal organisées :  compartimentées par agent général  ou structurées par contrat et non par client vendre plus en maîtrisant les risques
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le Data mining dans la telephonie  Deux événements : ouverture des monopoles nationaux à d’autres opérateurs télécom arrivée à saturation du marché de la téléphonie mobile  D’où les sujets dominants dans la téléphonie : score d’attrition (churn = changement d’opérateur) optimisation des campagnes marketing  text mining (pour analyser les lettres de réclamation)  Problème du churn : coût d’acquisition moyen en téléphonie mobile : 50,000 frs env plus d’un million d’utilisateurs changent chaque d’année d’opérateur En France, la loi Chatel (juin 2008) facilite le changement d’opérateur en diminuant le coût pour ceux qui ont dépassé 12 mois chez l’opérateur la portabilité du numéro facilite le churn
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Le Data mining dans le commerce  Vente Par Correspondance utilise depuis longtemps des scores d’appétence pour optimiser ses ciblages et en réduire les coûts des centaines de millions de documents envoyés par an  e-commerce personnalisation des pages du site web de l’entreprise, en fonction du profil de chaque internaute optimisation de la navigation sur un site web  Grande distribution analyse du ticket de caisse détermination des meilleures implantations (géomarketing)
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Autres exemples d’utilisation du data mining  De l’infiniment petit (génomique) à l’infiniment grand (astrophysique pour le classement en étoile ou galaxie)  Du plus quotidien (reconnaissance de l’écriture manuscrite sur les enveloppes) au moins quotidien (aide au pilotage aéronautique)  Du plus ouvert (e-commerce) au plus sécuritaire (détection de la fraude dans la téléphonie mobile ou les cartes bancaires)  Du plus industriel (contrôle qualité pour la recherche des facteurs expliquant les défauts de la production) au plus théorique (sciences humaines, biologie…)  Du plus alimentaire (agronomie et agroalimentaire) au plus divertissant (prévisions d’audience TV)
CONSTRUIRE UN PROJET DATAMINING  Quelles sont les etapes pour aboutir au bon modele  Quelles sont les diiferents méthodes existantes ?  Quelle difference entre SAS et SPSS? b IV
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Démarche methodologique du data mining  Comprendre l’application ou le problème Connaissances a priori, objectifs, etc.  Sélectionner un échantillon des données Choisir une méthode d’échantillonnage  Nettoyage et transformation des données Supprimer les « bruits »: données superflues, marginales, données manquantes, etc.  Appliquer les techniques de fouille des données Choisir le bon algorithme  Visualiser, évaluer et interpréter les modèles découverts Analyse de la connaissance (intérêt) Vérifier sa validité ( sur le reste de la base de données) Réitérer le processus si nécessaire.  Gérer la connaissance découverte La mettre à la disposition des décideurs L’échange avec d’autres applications (système d’expert,…) Etc.
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO Les étapes du processus du data mining 1.Compréhension du domaine d’application 2.Création du fichier cible (target data set) 3.Traitement des données brutes (data cleaning & prepocessing) 4.Réduction des données (data reduction and projection) 5.Définition des taches de fouille des données 6.Choix des algorithmes appropriés de fouilles de données 7.Fouille de données (data mining) 8.Interprétation des formes extraites (mined patterns) 9.Validation des connaissances extraites 10.Déploiement des algorithmes.
www.domain.com Phone: +1(123) 456 78 90 | e-mail: mail@domain.com YOUR LOGO SEMMA (SAS) vs CRISP-DM (CLEMENTINE)  Sampling = Echantillonner Tirer un échantillon significatif pour extraire des modèles  Exploration = Explorer Devenir famillier avec les données (patterns)  Manipulation = Manipuler Ajouter des informations, coder, grouper des attributs  Appmodelling = Modeliser Contruire des modèles  Assement = Valider Comprendre , Valider, expliquer et repondres aux questions  Sampling = Echantillonner Tirer un échantillon significatif pour extraire des modèles  Exploration = Explorer Devenir famillier avec les données (patterns)  Manipulation = Manipuler Ajouter des informations, coder, grouper des attributs  Appmodelling = Modeliser Contruire des modèles  Assement = Valider Comprendre , Valider, expliquer et repondres aux questions
APPLICATIONS  Apprendre à manipuler Clémentine (Software)  Apprendre à manipuler Tanagra (Freeware) b IV
A bientôt! MERCI Pour votre participation

Contenu connexe

PPTX
Techniques du data mining
parDonia Hammami
 
PDF
Data Mining (Partie 1).pdf
parOuailChoukhairi
 
PPT
Data Mining
parNour El Houda Megherbi
 
PPTX
Présentation sur le Data Mining
parTakfarinas KENOUCHE
 
PDF
Data mining - Introduction générale
parMohamed Heny SELMI
 
PDF
Introduction au Data Mining et Méthodes Statistiques
parGiorgio Pauletto
 
PDF
La prédiction du churn client dans le domaine du telecom
parIsmail Sanni
 
PPTX
Outils décisionnels : Data-Mining and Data-warehouse
parBEL MRHAR Mohamed Amine
 
Techniques du data mining
parDonia Hammami
 
Data Mining (Partie 1).pdf
parOuailChoukhairi
 
Data Mining
parNour El Houda Megherbi
 
Présentation sur le Data Mining
parTakfarinas KENOUCHE
 
Data mining - Introduction générale
parMohamed Heny SELMI
 
Introduction au Data Mining et Méthodes Statistiques
parGiorgio Pauletto
 
La prédiction du churn client dans le domaine du telecom
parIsmail Sanni
 
Outils décisionnels : Data-Mining and Data-warehouse
parBEL MRHAR Mohamed Amine
 

Tendances

PPTX
Data Mining Spatial
pardihiaselma
 
PPTX
Introduction au datamining, concepts et techniques
parIsmail CHAIB
 
PDF
Cours datamining
parsarah Benmerzouk
 
PDF
Data mining - Classification - arbres de décision
parMohamed Heny SELMI
 
PDF
Data mining - Segmentation(k-means, cah)
parMohamed Heny SELMI
 
PPTX
Règles d’association
parHassine Hammami
 
PDF
Analyse de données avec SPSS (1).pdf
parImadSa
 
PDF
Regression logistque
parFerdaous HDIOUD
 
PDF
5.2 Régression linéaire
parBoris Guarisma
 
PDF
Arbre de décision.pdf
parimane26
 
PPTX
Data warehouse
parDimassi Khoulouda
 
PDF
BigData_TP1: Initiation à Hadoop et Map-Reduce
parLilia Sfaxi
 
PPTX
Chp1 - Introduction à l'Informatique Décisionnelle
parLilia Sfaxi
 
PDF
Bi
parilhem hammouche
 
PDF
Data Mining (Partie 2).pdf
parOuailChoukhairi
 
PPT
Projet BI - 2 - Conception base de données
parJean-Marc Dupont
 
PDF
BigData_Chp5: Putting it all together
parLilia Sfaxi
 
PDF
Introduction au Machine Learning
parNovagen Conseil
 
PDF
Arbre de décision
parYassine Badri
 
PPTX
Big data
parMarwoua Ben Salem
 
Data Mining Spatial
pardihiaselma
 
Introduction au datamining, concepts et techniques
parIsmail CHAIB
 
Cours datamining
parsarah Benmerzouk
 
Data mining - Classification - arbres de décision
parMohamed Heny SELMI
 
Data mining - Segmentation(k-means, cah)
parMohamed Heny SELMI
 
Règles d’association
parHassine Hammami
 
Analyse de données avec SPSS (1).pdf
parImadSa
 
Regression logistque
parFerdaous HDIOUD
 
5.2 Régression linéaire
parBoris Guarisma
 
Arbre de décision.pdf
parimane26
 
Data warehouse
parDimassi Khoulouda
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
parLilia Sfaxi
 
Chp1 - Introduction à l'Informatique Décisionnelle
parLilia Sfaxi
 
Bi
parilhem hammouche
 
Data Mining (Partie 2).pdf
parOuailChoukhairi
 
Projet BI - 2 - Conception base de données
parJean-Marc Dupont
 
BigData_Chp5: Putting it all together
parLilia Sfaxi
 
Introduction au Machine Learning
parNovagen Conseil
 
Arbre de décision
parYassine Badri
 
Big data
parMarwoua Ben Salem
 

En vedette

PDF
Datamining damien-jubeau
parimane el mostaad
 
DOCX
Final
parIsmail CHAIB
 
PPTX
Présentation DataMining
parsylvain256
 
PDF
Cours systême d'intelligence marketing
parJean Roger Mably
 
PPTX
Data mining
parAkannsha Totewar
 
PPTX
Datamining appliqué au churn client dans les télécommunications
parabdelmoumène taleb
 
PDF
Image Mining
parMehdi EL KRARI
 
PPTX
Ma présentation PFE : Application Android & Site Web
parHarrathi Mohamed
 
PDF
Du datamining à la datascience
parSoft Computing
 
PDF
Du Data Mining à la Data Science
parSoft Computing
 
PPTX
Syllabs - Seo campus : text mining & data mining
parChristophe Tricot
 
PDF
COMMUNICATION STRATEGIQUE POUR LA REDUCTION DES ACCIDENTS DES MOTOS-TAXIS SUR...
parMichel GOUGOU
 
PPTX
Petit déjeuner Search Foresight WEB MINING, FOUILLE DE TEXTES
parPhilippe YONNET
 
PPTX
Mining vocabulary
parJosé Miguel Castillo
 
PDF
Image mining
parIntegral Solutions (Asia) Pte Ltd
 
PDF
Softshake 2015 - Des small data aux big data - Méthodes et Technologies
parOCTO Technology Suisse
 
PDF
Mobile certified
parTECOS
 
PPTX
Summer internship
parTECOS
 
PDF
Télémétrie d’openstack
parTECOS
 
PDF
Mta
parTECOS
 
Datamining damien-jubeau
parimane el mostaad
 
Final
parIsmail CHAIB
 
Présentation DataMining
parsylvain256
 
Cours systême d'intelligence marketing
parJean Roger Mably
 
Data mining
parAkannsha Totewar
 
Datamining appliqué au churn client dans les télécommunications
parabdelmoumène taleb
 
Image Mining
parMehdi EL KRARI
 
Ma présentation PFE : Application Android & Site Web
parHarrathi Mohamed
 
Du datamining à la datascience
parSoft Computing
 
Du Data Mining à la Data Science
parSoft Computing
 
Syllabs - Seo campus : text mining & data mining
parChristophe Tricot
 
COMMUNICATION STRATEGIQUE POUR LA REDUCTION DES ACCIDENTS DES MOTOS-TAXIS SUR...
parMichel GOUGOU
 
Petit déjeuner Search Foresight WEB MINING, FOUILLE DE TEXTES
parPhilippe YONNET
 
Mining vocabulary
parJosé Miguel Castillo
 
Image mining
parIntegral Solutions (Asia) Pte Ltd
 
Softshake 2015 - Des small data aux big data - Méthodes et Technologies
parOCTO Technology Suisse
 
Mobile certified
parTECOS
 
Summer internship
parTECOS
 
Télémétrie d’openstack
parTECOS
 
Mta
parTECOS
 

Similaire à Seminaire datamining Ecole de Statistique et d'Economie Appliquée

PDF
DataMining.pdf
parCoulibalyYoussoufngo
 
DOCX
Final
parIsmail CHAIB
 
PDF
AlgerieTelecoTIR to be scientifc into ingeneer
parKatadaHamidzitch
 
PDF
Introduction au datamining partiel 1.pdf
paramarasidibeavm
 
PDF
datamining-introductiongnrale-160229201502 (1).pdf
parNajlaAllouche
 
PPT
Data Miming-Introduction generale et dev.ppt
parernestmuhasa
 
PDF
l'utilise des techniques de data mining dans le marketing
paradmkh133
 
PDF
la fouille de données , dans le marketing digital
paradmkh133
 
PDF
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
parNajlaAllouche
 
PPTX
Data mining et data science
parRima Jamli Faidi
 
PPTX
Présentation memo
parCheikh Tidiane Thiandoum
 
PDF
Introduction_au_Data_Mining.pdf
parSidiAbdallah1
 
PDF
Seance 1 & 2 deploiement de la bi dans l'entreprise
parsciafrique
 
PPT
DM_0809-P1rkllllklhulkjèuljulkjulkjlèjkluèl.ppt
parHayderMelki
 
PDF
Apprentissage automatique avec RapidMiner
parMajdi Hannachi
 
PDF
Rapport cardiologie 2
parEthan King
 
PDF
Data Science
parSoft Computing
 
PDF
Vers une meilleure connaissance client grâce au big data
parData2B
 
PDF
Des données au savoir : big data et data mining
parPierre-Alain Four
 
PPTX
Etude comparative des classifieurs Naïve Bayes et SVM
parSamirAwad14
 
DataMining.pdf
parCoulibalyYoussoufngo
 
Final
parIsmail CHAIB
 
AlgerieTelecoTIR to be scientifc into ingeneer
parKatadaHamidzitch
 
Introduction au datamining partiel 1.pdf
paramarasidibeavm
 
datamining-introductiongnrale-160229201502 (1).pdf
parNajlaAllouche
 
Data Miming-Introduction generale et dev.ppt
parernestmuhasa
 
l'utilise des techniques de data mining dans le marketing
paradmkh133
 
la fouille de données , dans le marketing digital
paradmkh133
 
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
parNajlaAllouche
 
Data mining et data science
parRima Jamli Faidi
 
Présentation memo
parCheikh Tidiane Thiandoum
 
Introduction_au_Data_Mining.pdf
parSidiAbdallah1
 
Seance 1 & 2 deploiement de la bi dans l'entreprise
parsciafrique
 
DM_0809-P1rkllllklhulkjèuljulkjulkjlèjkluèl.ppt
parHayderMelki
 
Apprentissage automatique avec RapidMiner
parMajdi Hannachi
 
Rapport cardiologie 2
parEthan King
 
Data Science
parSoft Computing
 
Vers une meilleure connaissance client grâce au big data
parData2B
 
Des données au savoir : big data et data mining
parPierre-Alain Four
 
Etude comparative des classifieurs Naïve Bayes et SVM
parSamirAwad14
 

Dernier

PPTX
OPERATIONS - DE - SECURITE - pptx -.....
parReinaldoNunesdsoSant
 
PDF
Chapitre 3 - Le NoSQL avec MongoDB - Les commandes de base.pdf
parfarhatjojma
 
PDF
Chapitre 5 - Le NoSQL avec MongoDB - La validation de documents.pdf
parfarhatjojma
 
PPTX
Cours-Ge-nie-microbiologique-ET-1.pptx C
parAbdessadekMohammed
 
PDF
Presentation 1 __ Spark Streaming.pdfssss
parPLAYAFIFI
 
PPTX
Exposé_Drogue_Fonctionnel.pptxDDDDDDDDDDDDD
parallamohamedamine0
 
OPERATIONS - DE - SECURITE - pptx -.....
parReinaldoNunesdsoSant
 
Chapitre 3 - Le NoSQL avec MongoDB - Les commandes de base.pdf
parfarhatjojma
 
Chapitre 5 - Le NoSQL avec MongoDB - La validation de documents.pdf
parfarhatjojma
 
Cours-Ge-nie-microbiologique-ET-1.pptx C
parAbdessadekMohammed
 
Presentation 1 __ Spark Streaming.pdfssss
parPLAYAFIFI
 
Exposé_Drogue_Fonctionnel.pptxDDDDDDDDDDDDD
parallamohamedamine0
 

Seminaire datamining Ecole de Statistique et d'Economie Appliquée

  • 1.
  • 2.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO  Customer Lifetime Management Analyst à MTN-CI depuis Juillet 2011  Professeur vacataire de Marketing et Etudes de marchés à l’ENSEA (ITS Option Entreprise) depuis 2013.  Concpeteur et administrateur de la page facebook Intelligence Marketing: www.facebook/pages/Intelligence-Marketing  CEO du Bureau d’Etude Spécialisé dans le traitement de l’INFOrmation (BEST-INFO): Cabinet spécialisé dans l’E-commerce et Data-Analytics. PRESENTATION DE L’INTERVENANT Jean Roger MABLY
  • 3.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO PLAN DE PRESENTATION 1. Origine et Définition du Datamining 2. Apport du Datamining 3. Comparaison Datamining vs Statistiques et Datamining vs Big Data 4. Le Datamining d’hier, d’aujourd’hui et de demain PARTIE I: INTRODUCTION AU DATAMINING PARTIE II: PANORAMA DES TECHNIQUES DATAMINING 1. Les grands groupes de modèles 2. Analyse factorielle 3. Classification/Prédiction 4. Segmentation 5. Associations
  • 4.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO PLAN DE PRESENTATION (2) PARTIE III: DOMAINES D’APPLICATIONS 1. Utilité du Datamining dans le CRM 2. Utilité dans la banque 3. Datamining dans l’assurance de risque 4. Datamining dans la téléphonie 5. Le datamining dans le commerce 6. Autres exemples PARTIE IV: CONSTRUIRE UN PROJET DATAMINING 1. SEMMA (SAS) 2. CRISP-DM (CLEMENTINE) PARTIE V: UTILISATION D’OUTILS 1. CLEMENTINE 2. TANAGRA
  • 5.
    INTRODUCTION AU DATAMINING  Qu’estce que le Datamining ?  A quoi sert le datamining ?  Ou va le Datamining ? [ I
  • 6.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO La fouille des données Le DATAMINING est l’ensemble des: techniques et méthodes … destinées à l’exploration et l’analyse … de (souvent) grandes bases de données informatiques … en vue de détecter dans ces données des règles, des associations, des tendances inconnues (non fixées a priori), dans des structures particulières restituant de façon concise l’essentiel de l’information utile. … pour l’aide à la décision. On parle alors d’extraction de l’information dans la donnée Selon le MIT, c’est l’une des 10 technologies émergentes qui « changerons le monde » au XXIème siècle L’ONU à déclaré le 20 Octobre comme Journée mondiale de la Statistique
  • 7.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Intérêt du data mining  On ne veut pas simplement confirmer des intuitions a priori par des requêtes dans les bases de données mais détecter sans a priori les combinaisons de critères les plus discriminantes  Par exemple, dans le domaine commercial, on ne veut plus seulement savoir:  « Combien de clients ont acheté tel produit pendant telle période ? »  Mais:  « Quel est leur profil ? »  « Quels autres produits les intéresseront ? »  « Quand seront-ils intéressés ? »  Les profils de clientèle à découvrir sont en général des profils complexes : pas seulement des oppositions « jeunes/seniors », « citadins/ruraux »… que l’on pourrait deviner en tâtonnant par des statistiques descriptives  Le data mining fait passer:  d’analyses confirmatoires  à des analyses exploratoires
  • 8.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO À quoi sert le data mining? Sondage effectué en 2009 sur: www,kdnudgets.com  Mieux connaitre le client  Mettre en évidence des facteurs de risques  Test de médicaments et de comestiques  Détection automatique de fraude  Contôle de qualité des produits  Prévision d’audience TV  Astrophysique pour le classement des étoiles ou galaxie  Détection automatique de spam  Algorithm des moteur de recherche…
  • 9.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Préhistoire du data mining  1875 : régression linéaire de Francis Galton  1896 : formule du coefficient de corrélation de Karl Pearson  1900 : distribution du ² de Karl Pearson  1936 : analyse discriminante de Fisher et Mahalanobis  1941 : analyse factorielle des correspondances de Guttman  1943 : réseaux de neurones de Mc Culloch et Pitts  1944 : régression logistique de Joseph Berkson  1958 : perceptron de Rosenblatt  1962 : analyse des correspondances de J.-P. Benzécri  1964 : arbre de décision AID de J.P. Sonquist et J.-A. Morgan  1965 : méthode des centres mobiles de E. W. Forgy  1967 : méthode des k-means de Mac Queen  1972 : modèle linéaire généralisé de Nelder et Wedderburn
  • 10.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Histoire du data mining  1975 : algorithmes génétiques de Holland  1975 : méthode de classement DISQUAL de Gilbert Saporta  1980 : arbre de décision CHAID de KASS  1983 : régression PLS de Herman et Svante Wold  1984 : arbre CART de Breiman, Friedman, Olshen, Stone  1986 : perceptron multicouches de Rumelhart et McClelland  1989 : réseaux de T. Kohonen (cartes auto-adaptatives)  vers 1990 : apparition du concept de data mining  1991 : méthode MARS de Jerome H. Friedman  1993 : arbre C4.5 de J. Ross Quinlan  1996 : bagging (Breiman) et boosting (Freund-Shapire)  1998 : support vector machines de Vladimir Vapnik  2001 : forêts aléatoires de L. Breiman  2005 : méthode elastic net de Zhou et Hastie
  • 11.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le data mining aujourd’hui  Ces techniques ne sont pas toutes récentes  Ce qui est nouveau, ce sont aussi :  les capacités de stockage et de calcul offertes par l’informatique moderne  la constitution de giga-bases de données pour les besoins de gestion des entreprises  la recherche en théorie de l’apprentissage  les logiciels universels, puissants et conviviaux (Clementine, EG & Miner de SAS  l’intégration du data mining dans les processus de production Ces évolutions permettent de traiter de grands volumes de données et font sortir le data mining des laboratoires de recherche pour entrer dans les entreprises
  • 12.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le data mining aujourd’hui (2)  Agrégation de modèles  rééchantillonnage bootstrap, bagging, boosting…  Web mining:  optimisation des sites  meilleure connaissance des internautes  croisement avec les bases de données de l’entreprise  Text mining  statistique lexicale pour l’analyse des courriers, courriels, dépêches, compte-rendu, brevets (langue naturelle): 3 onglets de Gmail et Yahoo Spam, Moteurs de recherches Google, Bing…  Image mining  reconnaissance automatique d’une forme ou d’un visage (Google Glass, reconnaissance des sosie de la CIA…)  détection d’une échographie anormale, d’une tumeur
  • 13.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le data mining de demain Autant de développement possible que votre imagination ne peut vous le permettre
  • 14.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO data mining vs statistique DATAMINING STATISTIQUE Le datamining: 1. Traite plus de données 2. S’applique à une population entière 3. Travaille sur des données existante 4. Orienté pratique 5. Compréhensibilité des modèles plutôt que précision 6. Modèles localisés La statistique: 1. Traite moins de données 2. S’applique à un échantillon représentatif 3. Recueille des données avant le travail 4. Orienté théorie 5. Précision des modèles plutôt que Compréhensibilité 6. Modèles généralisés Le datamining utilise des techniques statistiques
  • 15.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO data mining vs big data Le data mining est l’ensemble des techniques analytiques qui permettent d‘extraire de l’information d’une masse de données La Big Data est l’ensemble des techniques informatiques qui permettent de recueillir le plus grand nombre de données de toutes formes BIG DATA = VELOCITY + VERACITY + VOLUME DATA MINING = STATISTIQUE + APPRENTISSAGE + INTELLIGENCE ARTIFICIELLE
  • 16.
    PANORAMA DES TECHNIQUES DATAMINING  Quellessont les techniques de Datamining ?  Qu’est ce que le scoring  Ou va le Datamining ( II
  • 17.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Les 2 types de techniques Le data mining  Les techniques descriptives (recherche de « patterns »):  visent à mettre en évidence des informations présentes mais cachées par le volume des données (c’est le cas des segmentations de clientèle et des recherches d’associations de produits sur les tickets de caisse)  réduisent, résument, synthétisent les données  il n’y a pas de variable à expliquer  Les techniques prédictives (modélisation) :  visent à extrapoler de nouvelles informations à partir des informations présentes (c’est le cas du scoring) la constitution de giga-bases de données pour les besoins de gestion des entreprises  expliquent les données  il y a une variable à expliquer
  • 18.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Qu’est ce que la segmentation et factorisation ? (classificationenanglais) Regrouper des objets en groupes, ou classes, ou familles, ou segments, ou clusters, de sorte que :  2 objets d’un même groupe se ressemblent le + possible  2 objets de groupes distincts diffèrent le + possible  le nombre des groupes est parfois fixé  les groupes ne sont pas prédéfinis mais déterminés au cours de l’opération Méthode descriptive :  pas de variable cible privilégiée  décrire de façon simple une réalité complexe en la résumant Utilisation en marketing, médecine, sciences humaines…  segmentation de clientèle marketing Les objets à classer sont :  des individus  des variables  les deux à la fois (biclustering)
  • 19.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Qu’est ce que la classification ou prédiction? (segmentationenanglais) Ce sont des méthodes prédictives Classement : la variable à expliquer (ou « cible », « réponse », « dépendante ») est qualitative  on parle aussi de segmentation (en anglais) ou de discrimination Prédiction : la variable à expliquer est quantitative  on parle aussi de régression  ou d’apprentissage supervisé (réseaux de neurones, arbres de décision…) Scoring : classement appliqué à une problématique d’entreprise (variable à expliquer souvent binaire) – chaque individu est affecté à une classe (« sain » ou « malade », par exemple) en fonction de ses caractéristiques
  • 20.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Quelque types de score Score d’appétence  prédire l’achat d’un produit ou service Score de (comportement) risque  prédire les impayés ou la fraude Score de préacceptation  croisement des deux précédents Score d’octroi  prédire en temps réel les impayés Score d’attrition  prédire le départ du client vers un concurrent Et aussi :  En médecine : diagnostic (bonne santé : oui / non) en fonction du dossier du patient et des analyses médicales  Courriels : spam (oui / non) en fonction des caractéristiques du message (fréquence des mots…)
  • 21.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Qu’est ce qu’une regle d’associations Ce sont des méthodes prédictives pour détecter des liaisons entre des « individus » d’un groupe ou d’en ensemble E.g. Panier de la ménagère : qu’elles sont les éléments qui viennent ensemble ? si vous avez acheté des fleurs et du thé, vous allez probablement acheter du pain aussi Pour découvrir modèles prédictifs cachés: Parfois les modèles prédictifs intéressant sont cachées La découverte d’association permet de trouver plusieurs petits lots de règles et peut de découvrir les modèles “masqués” Exploration Générale :  “Ne sais pas exactement qu’est ce que je cherche, mais juste dis moi qui va avec quoi”
  • 22.
    DOMAINES D’APPLICATIONS  Quelles sontles applications du datamining ?  Comment son application change notre quotidiens ? b III
  • 23.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Utilité du datamining dans le CRM (gestion de la relation client) Mieux connaître le client pour mieux le servir pour augmenter sa satisfaction pour augmenter sa fidélité (+ coûteux d’acquérir un client que le conserver) La connaissance du client est encore plus utile dans le secteur tertiaire : les produits se ressemblent entre établissements le prix n’est pas toujours déterminant ce sont surtout le service et la relation avec le client qui font la différence
  • 24.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Exemple de Credit scoring Objectifs de la banque : vendre plus en maîtrisant les risques en utilisant les bons canaux au bon moment Le crédit à la consommation: un produit standard concurrence des sociétés spécialisées sur le lieu de vente quand la banque a connaissance du projet du client, il est déjà trop tard Conclusion : il faut être pro-actif détecter les besoins des clients et leur tendance à emprunter Faire des propositions commerciales aux bons clients, avant qu’ils n’en fassent la demande
  • 25.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le Data mining dans la Banque  Naissance du score de risque en 1941 (David Durand)  Multiples techniques appliquées à la banque de détail et la banque d’entreprise  Surtout la banque de particuliers : montants unitaires modérés grand nombre de dossiers dossiers relativement standards  Essor dû à : développement des nouvelles technologies nouvelles attentes de qualité de service des clients concurrence des nouveaux entrants (assureurs, grande distribution) et des sociétés de crédit pression mondiale pour une plus grande rentabilité surtout : ratio de solvabilité Bâle 2
  • 26.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le Data mining dans l’assurance de risque  Des produits obligatoires (automobile, habitation) : soit prendre un client à un concurrent soit faire monter en gamme un client que l’on détient déjà  D’où les sujets dominants : Attrition ventes croisées (cross-selling) montées en gamme (up-selling)  Besoin de décisionnel dû à : concurrence des nouveaux entrants (bancassurance) bases clients des assureurs traditionnels mal organisées :  compartimentées par agent général  ou structurées par contrat et non par client vendre plus en maîtrisant les risques
  • 27.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le Data mining dans la telephonie  Deux événements : ouverture des monopoles nationaux à d’autres opérateurs télécom arrivée à saturation du marché de la téléphonie mobile  D’où les sujets dominants dans la téléphonie : score d’attrition (churn = changement d’opérateur) optimisation des campagnes marketing  text mining (pour analyser les lettres de réclamation)  Problème du churn : coût d’acquisition moyen en téléphonie mobile : 50,000 frs env plus d’un million d’utilisateurs changent chaque d’année d’opérateur En France, la loi Chatel (juin 2008) facilite le changement d’opérateur en diminuant le coût pour ceux qui ont dépassé 12 mois chez l’opérateur la portabilité du numéro facilite le churn
  • 28.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Le Data mining dans le commerce  Vente Par Correspondance utilise depuis longtemps des scores d’appétence pour optimiser ses ciblages et en réduire les coûts des centaines de millions de documents envoyés par an  e-commerce personnalisation des pages du site web de l’entreprise, en fonction du profil de chaque internaute optimisation de la navigation sur un site web  Grande distribution analyse du ticket de caisse détermination des meilleures implantations (géomarketing)
  • 29.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Autres exemples d’utilisation du data mining  De l’infiniment petit (génomique) à l’infiniment grand (astrophysique pour le classement en étoile ou galaxie)  Du plus quotidien (reconnaissance de l’écriture manuscrite sur les enveloppes) au moins quotidien (aide au pilotage aéronautique)  Du plus ouvert (e-commerce) au plus sécuritaire (détection de la fraude dans la téléphonie mobile ou les cartes bancaires)  Du plus industriel (contrôle qualité pour la recherche des facteurs expliquant les défauts de la production) au plus théorique (sciences humaines, biologie…)  Du plus alimentaire (agronomie et agroalimentaire) au plus divertissant (prévisions d’audience TV)
  • 30.
    CONSTRUIRE UN PROJET DATAMINING Quelles sont les etapes pour aboutir au bon modele  Quelles sont les diiferents méthodes existantes ?  Quelle difference entre SAS et SPSS? b IV
  • 31.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Démarche methodologique du data mining  Comprendre l’application ou le problème Connaissances a priori, objectifs, etc.  Sélectionner un échantillon des données Choisir une méthode d’échantillonnage  Nettoyage et transformation des données Supprimer les « bruits »: données superflues, marginales, données manquantes, etc.  Appliquer les techniques de fouille des données Choisir le bon algorithme  Visualiser, évaluer et interpréter les modèles découverts Analyse de la connaissance (intérêt) Vérifier sa validité ( sur le reste de la base de données) Réitérer le processus si nécessaire.  Gérer la connaissance découverte La mettre à la disposition des décideurs L’échange avec d’autres applications (système d’expert,…) Etc.
  • 32.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO Les étapes du processus du data mining 1.Compréhension du domaine d’application 2.Création du fichier cible (target data set) 3.Traitement des données brutes (data cleaning & prepocessing) 4.Réduction des données (data reduction and projection) 5.Définition des taches de fouille des données 6.Choix des algorithmes appropriés de fouilles de données 7.Fouille de données (data mining) 8.Interprétation des formes extraites (mined patterns) 9.Validation des connaissances extraites 10.Déploiement des algorithmes.
  • 33.
    www.domain.com Phone: +1(123) 45678 90 | e-mail: [email protected] YOUR LOGO SEMMA (SAS) vs CRISP-DM (CLEMENTINE)  Sampling = Echantillonner Tirer un échantillon significatif pour extraire des modèles  Exploration = Explorer Devenir famillier avec les données (patterns)  Manipulation = Manipuler Ajouter des informations, coder, grouper des attributs  Appmodelling = Modeliser Contruire des modèles  Assement = Valider Comprendre , Valider, expliquer et repondres aux questions  Sampling = Echantillonner Tirer un échantillon significatif pour extraire des modèles  Exploration = Explorer Devenir famillier avec les données (patterns)  Manipulation = Manipuler Ajouter des informations, coder, grouper des attributs  Appmodelling = Modeliser Contruire des modèles  Assement = Valider Comprendre , Valider, expliquer et repondres aux questions
  • 34.
    APPLICATIONS  Apprendre àmanipuler Clémentine (Software)  Apprendre à manipuler Tanagra (Freeware) b IV
  • 35.

Notes de l'éditeur

  • #2 Attention! Before you open this template be sure what you have the following fonts installed: Novecento Sans wide font family (6 free weight) http://typography.synthview.com Abattis Cantarell http://www.fontsquirrel.com/fonts/cantarell Icon Sets Fonts: raphaelicons-webfont.ttf from this page: http://icons.marekventur.de iconic_stroke.ttf from this page: http://somerandomdude.com/work/open-iconic modernpics.otf from this page: http://www.fontsquirrel.com/fonts/modern-pictograms general_foundicons.ttf, social_foundicons.ttf, accessibility_foundicons.ttf from this page: http://www.zurb.com/playground/foundation-icons fontawesome-webfont.ttf from this page: http://fortawesome.github.io/Font-Awesome Entypo.otf from this page: http://www.fontsquirrel.com/fonts/entypo sosa-regular-webfont.ttf from this page: http://tenbytwenty.com/?xxxx_posts=sosa All fonts are permitted free use in commercial projects. If you have difficulties to install those fonts or have no time to find all of them, please follow the FAQs: http://graphicriver.net/item/six-template/3626243/support