Data

3485 mots 14 pages

Stéphane Tufféry

DATA MINING
& STATISTIQUE DÉCISIONNELLE

27/01/2009

© Stéphane Tufféry - Data Mining - http://data.mining.free.fr

1

Présentation de l’auteur

• En • • •

charge de la statistique et du data mining dans un grand groupe bancaire Enseigne le data mining en Master 2 à l’Université ParisDauphine, à l’Université Rennes 1 et à l’ISUP (Université Paris 6) Docteur en Mathématiques Auteur de : • Data Mining et Scoring (épuisé), Éditions Dunod, 2002 • Data Mining et Statistique Décisionnelle, Éditions Technip,
2005, 2de édition 2007, préface de Gilbert Saporta Ouvrage consacré à l’application en entreprise des techniques et méthodologies de data mining et statistique
© Stéphane Tufféry - Data Mining - http://data.mining.free.fr

27/01/2009

2

Présentation du cours

• Cette • •

présentation est issue de cours donnés dans des DESS et Master 2 d’Économétrie et d’Ingénierie Statistique entre 1999 et 2009. Ces enseignements ont ensuite trouvé un développement dans des ouvrages publiés chez Dunod puis chez Technip. Ces cours sont donc consacrés aux techniques de data mining, de statistique décisionnelle et de scoring, et à leur mise en oeuvre en entreprise. Ils contiennent une introduction, une partie technique (préparation des données, analyse factorielle, régression linéaire, régression logistique, GLM, analyse discriminante, arbres de décision, réseaux de neurones, algorithmes génétiques, SVM, k-means et centres mobiles, CAH…) et une partie méthodologique (conduite de projet, facteurs de succès, RSI, aspects informatiques, CNIL…).
© Stéphane Tufféry - Data Mining - http://data.mining.free.fr 3

27/01/2009

Plan du cours

• Qu’est-ce que le data mining ? • A quoi sert le data mining ? • Les deux grandes familles de techniques • Le déroulement d’un projet de data mining • Coûts et gains du data mining • Facteurs de succès - Erreurs - Consulting • Informatique décisionnelle et de gestion • La préparation des données •

en relation

Recueil de donnée
1051 mots | 5 pages

1 PRESENTATION GENERALE de la PERSONNE  1 - 1 Présentation sociale : 1 – 2 : Situation de santé : 2 RECUEIL des DONNEES dans les 14 BESOINS de Virginia HENDERSON : BESOINS | Manifestations de DEPENDANCE | Manifestations d’INDÉPENDANCE |  RESPIRER : Observer : Le rythme respiratoire, cardiaque, dyspnée  Les mouvements respiratoires  Les bruits : sifflements, ronflements, toux Expectorations(couleur, quantité)  La couleur de la peau :cyanose, pâleur, rosée…  La position dans le lit   Appareillages Demander : Consommation de tabac  Antécédents respiratoires | | 12 respirations/min 60 Aucun sifflements, ne ronfle pas et ne tousse pas. Si crachat il y a, ils sont clairs et ne présente pas de sang.….

montre plus
Recueil données
792 mots | 4 pages

* RECUEIL DE DONNEES UE 3.1 S1 (Compétence 1) Présentation de la personne soignée : Mr G., 58ans, est marié, il habite avec sa femme dans une maison à Tourlaville, il a une fille qui a un léger retard mental, mais elle est autonome, elle habite dans un appartement pas loin de chez eux. Ce monsieur est en retraite anticipée pour invalidité. C’est une personne souriante, communicative et donc très bavarde. Il est assuré sociale et a une mutuelle qui prend en charge l’hospitalisation à 100%. Il est entré pour des difficultés respiratoires, des douleurs basi-thoraciques côté gauche ainsi qu’altération d’état général (AEG).….

montre plus
Data
1052 mots | 5 pages

ESIG RABAT MASTER BANQUE ET FINANCE : 2012/2013 MODULE : GESTION DE PATRIMOINE / PROFESSEUR : JAMAL TLATY EXAMEN FINAL Documentation interdite Durée : 2h00 Etude de cas : Investissement en famille et protection de ses propres intérêts. STEPHANE, 41 ans, a particulièrement réussi sa vie professionnelle : chirurgien anesthésiste, il est associé dans une clinique et exerce en parallèle de cette activité en Grande-Bretagne plusieurs jours par mois, où il assure également des conférences en tant que professionnel réputé et reconnu. Hélas, son frère aîné Olivier, qui l’a pourtant élevé (!), n’a pas connu le même bonheur et affiche plutôt un parcours de fils prodigue. Stéphane confie : « Je suis divorcé et si j’ai un fils de 7 ans qui compte plus que tout pour moi, je dois reconnaître que j’ai mieux réussi ma carrière.….

montre plus
Recueil de données
8039 mots | 33 pages

N°45 - Septembre 2012 Le trait d’Unions Le 27 septembre s’ouvrent les portes du 119e congrès national à Amiens. Point d’orgue de l’année fédérale, le congrès représente traditionnellement une occasion unique de rencontres, d’échanges et d’expositions de savoir- faire. Mais surtout, au niveau politique, il donne un coup d’accélérateur aux dossiers portés par la Fédération au nom des sapeurs-pompiers de France. À la lecture de tous ces dossiers ciaprès, retrouvez l’ensemble des enjeux de ce congrès !….

montre plus
Recueil de donnée
438 mots | 2 pages

Recueil de données Stage n°1 Mr Tadeusz, âgé de 81 ans est entré dans le service de Pneumologie le 10 octobre 2012, pour une anorexie suite à une altération de son état générale. Ce jour, nous sommes le mercredi 18 octobre 2012. Mr Tadeusz est marié, il a 3 enfants, il a des visites régulières. Il est suivi par le Docteur Fournier, il pèse 48 kg, pour 1m62, ce qui fait une IMC de 18.3. Il ne porte pas d’appareil auditif, ni de lunette.….

montre plus
Recueil de donnée
776 mots | 4 pages

RECUEIL DE DONNEE IDENTITE Monsieur G est né 1/012/1918 à xxxxxxx. Il a donc xx ans et est de nationalité française. M. G est marié et demeure à xxxxxxxx dans sa maison de campagne avec sa femme. M. G a 4 enfants.….

montre plus
Recueil de données
713 mots | 3 pages

(IMC=20.2). Elle a les yeux bleus, les cheveux blanc et longs. Madame T est souriante, agréable, ne parle pas beaucoup a tendance à s’endormir très facilement. Madame T était couturière, la religion n’est pas très importante pour elle, elle ne pratique pas. Antécédents chirurgicaux : * Hospitalisée du 26/02/2013 au….

montre plus
Recueil de données
4032 mots | 17 pages

Mme F, né le 20/06/1928 (84 ans) à Paris, et entré en EHPAD le 02/05/2011.C’est un monsieur d’1m64, qui pèse 85,400kg (IMC 31,6, obésité modérée), avec des cheveux banc, une barbe blanche. Il porte souvent des polos et des joggings. Il ne porte pas de lunette mais porte un casque audio dans sa chambre pour écouter la TV.Il est atteint d’artériopathie. Histoire de vie:Il est issue d’une famille modeste : père, tapissier et mère, femme de ménage. Il a, de plus une demi-sœur, Anita, et deux demi-frères, Edmond et Bruno, issue du premier mariage de son père.….

montre plus
Chapitre 3 SAS
4731 mots | 19 pages

Cours « Data Mining et Statistique » Présentation d’un logiciel de statistique décisionnelle : SAS Chérif Mballo 2/26/2015 1 1 - Vue d’ensemble de SAS 2/26/2015 2 Langages de programmation de SAS  SAS: Statistical Analysis Software/System  Système SAS: ensemble de modules logiciels pour la gestion et le traitement statistique des données: → saisies, importations, interrogations, manipulations, transformations de données; → analyses statistiques de base, modélisation, graphiques, rapports, …  SAS propose plusieurs langages de programmation: → Le langage de base: extraction, transformation, croisement de plusieurs sources d’information, production et mise en forme de résultats, …; → Le langage macro: série d’instructions dédiées au paramétrage d’un programme → Le SQL (Structured Query Language): commun à de nombreux logiciels de gestion de bases de données (SGBD), permettant également l’extraction, la transformation et l’appariement de données. → L’IML (Interactive Matrix Language): langage matriciel permettant de nombreux calculs mathématiques et statistiques.….

montre plus
Recueil de données
541 mots | 3 pages

UE 3.1.S1 RAISONNEMENT ET DEMARCHE CLINIQUE INFIRMIERE TD- 25/09 Groupe A Le recueil de données : Apports théoriques et situation concrète….

montre plus
Recueil de donnée
433 mots | 2 pages

Malte Marie-Gladys 1ére année IFSI Recueil de donnée : Je suis actuellement en première année en soins infirmier à l’IFSI Paul Guiraud. J’ai été affecté en stage durant une période de cinq semaines dans une maison de retraite : La résidence les Adrets. Je travaille de jour de 8h00 à 16h00 sous la responsabilité de Madame Sadnat.….

montre plus
Infographie
675 mots | 3 pages

The Impossible Wardrobe 29 SEPTEMBRE au 01 OCTOBRE 13 SEPTEMBRE au 03 NOVEMBRE Mette Ingvartsen The Artificial Nature Project 28 NOVEMBRE au 01 DÉCEMBRE 22 au 24 NOVEMBRE Xavier Le Roy Low Pieces Jérôme Bel/ Theater HORA Disabled Theater 10 au 13 OCTOBRE Min Tanaka Christophe Wavelet/ Xavier Le Roy Attention : sortie d’écoles 05 au 07 OCTOBRE Locus Focus 21 au 22 SEPTEMBRE Akira Kasai/ Emmanuelle….

montre plus
entrepot de donnée
569 mots | 3 pages

1. D´eveloppez un mod`ele multidimensionnel (MDDM) pour le sc´enario d´ecrit ci-dessus. Votre solution doit comprendre entre autre les hi´erarchies et les attributs n´ecessaires. Notez qu’une publication peut avoir plusieurs ´editions. 2.….

montre plus
Web minig
3645 mots | 15 pages

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 25/12/2006 © Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 • Qu’est-ce que le data mining ? • A quoi sert le data mining ? • Les 2 grandes familles de techniques • Le déroulement d’un projet de data mining • Coûts et gains du data mining • Facteurs de succès - Erreurs à éviter •….

montre plus
Data mining
906 mots | 4 pages

Le Data Mining: Méthodologie Introduction et définition L ’ objectif du Data Mining (DM) Le processus KDD Pratique du DM Méthodologie du DM 1 Introduction  Par analogie à la recherche des pépites d ’or dans un gisement, la fouille de données vise :   à extraire des informations cachées par analyse globale à découvrir des modèles (“patterns”) difficiles à percevoir 2 Définition  Data mining  ensemble de techniques d'exploration de données afin d'en tirer des connaissances (la signification profonde) sous forme de modèles présentés à l ’utilisateur averti pour examen Données entrepôt Data mining Découverte de modèles Connaissances Compréhension Prédiction 3 Définition du DM  « l’ensemble des algorithmes et méthodes destinés à l’exploration et l’analyse de grandes bases de données informatiques en vue de détecter dans ces données, des règles, des associations, des tendances inconnues ,des structures particulières, restituant de façon concise,….

montre plus