data mining - cours.polymtl.cacours.polymtl.ca/mth6301/mth8302/2020-mth8302-ch06...définir le...
TRANSCRIPT
1
MT
H8
30
2 p
lan
du
cou
rs
2
Cha
pitr
e6
In
trod
uctio
npa
geD
éfin
ition
s4
Élém
ents
8Ex
empl
es13
Impl
anta
tion
20
Dat
a M
iner
Rec
ipes
2
2R
éfér
ence
s24
Cha
pitr
e 6
: In
trod
uctio
nC
hapi
tre
7 :
Mul
tivar
iate
Adap
tativ
eR
egre
ssio
nSp
lines
(MAR
S)C
hapi
tre
8 :
Cla
ssifi
catio
n an
d R
eg.re
ssio
nTr
ees
Cha
pitr
e 9
: R
ando
mFo
rest
(RF)
Cha
pitr
e 10
: Ar
tific
ialN
eura
l Net
wor
ks (
ANN
)
MTH
8302
-An
alys
e de
régr
essi
on e
t ana
lyse
de
varia
nce
STAT
ISTI
CA
data
min
ing
CR
TC
lass
ifica
tion
Reg
ress
ion
Tree
ANN
A
rtifi
cial
Neu
ral
Net
woo
rk
vues
dan
s
ces
note
s
3
MAR
S M
ultiv
aria
teAd
aptiv
eR
egre
ssio
nSp
lines
RF
Ran
dom
Fore
st
voir
aprè
s le
s 4
mét
hode
s : D
ata
Min
er R
ecip
es
http
s://w
ww
.dat
asci
ence
cent
ral.c
om/p
rofil
es/b
logs
/sup
ervi
sed-
lear
ning
-vs-
unsu
perv
ised
-in-o
ne-p
ictu
re
non
vues
car
app
rent
issa
ge n
on s
uper
visé
MTH
8302
= a
ppre
ntis
sage
sup
ervi
sé
Dat
a M
inin
gfo
uille
de
donn
ées,
ext
ract
ion
de c
onna
issa
nces
KD
D =
Kno
wle
dge
Dat
a D
isco
very
est u
n no
uvea
u ch
amp
d’ap
plic
atio
n à
l’int
erfa
ce d
e la
stat
istiq
ue e
t des
tec
hnol
ogie
s de
l’in
form
atio
n(b
ases
de
donn
ées,
inte
llige
nce
artif
icie
lle, a
ppre
ntis
sage
,etc
.)
DÉF
INIT
ION
S d
u D
ATA
MIN
ING
U.M
.Fay
yad,
G.P
iate
tski
-Sha
piro
«th
eno
ntriv
ial p
roce
ss o
f ide
ntify
ing
valid
, nov
el, p
oten
tially
usef
ul, a
nd u
ltim
atel
y un
ders
tand
able
pat
tern
s in
dat
a »
D.J
.Han
d«
the
disc
over
y of
inte
rest
ing,
une
xpec
ted,
or v
alua
ble
stru
ctur
es in
larg
e da
ta s
ets
»
4
DÉF
INIT
ION
S d
u D
ATA
MIN
ING
Expl
orat
ion
d’un
e gr
ande
qua
ntité
de
donn
ées
(cen
tain
es d
e va
riabl
es/m
illie
rs d
’obs
erva
tions
)en
vue
de re
cher
cher
de
s m
odèl
es re
latio
nnel
s en
tre
des
varia
bles
et e
nsui
te d
e va
lider
ces
m
odèl
es e
n le
s ap
pliq
uant
sur
de
nouv
elle
s do
nnée
s.Ar
t et l
a sc
ienc
e d’
obte
nir d
e la
con
nais
sanc
e à
part
ir de
s do
nnée
sO
B J
E C
T I
F S
–id
entif
ier d
es s
truc
ture
s, g
roup
es, c
lust
ers,
str
ates
, ou
dim
ensi
ons
dans
les
donn
ées
qui n
e se
mbl
ent p
as a
voir
de s
truc
ture
s év
iden
tes
n
on s
uper
visé
–id
entif
ier d
es fa
cteu
rs q
ui s
ont r
elié
s à
un ré
sulta
t d’in
térê
t(r
eche
rche
d’u
n sy
stèm
e de
cau
ses)
non
sup
ervi
sé–
préd
ire d
es v
aria
bles
d’in
térê
t(va
riabl
es d
e ré
pons
e):
nouv
eaux
clie
nts,
nou
veau
x ap
pliq
uant
s,et
cda
ta m
inin
gpr
édic
tif o
u s
uper
visé
(var
out
put Y
)
Proc
essu
s de
«to
rtur
e de
s do
nnée
s»ju
squ’
à la
«co
nfes
sion
»
5
Dat
a M
inin
g =
for
age
(fou
ille)
des
don
nées
6
LES
DO
NN
ÉES
SO
NT
PAR
TOU
T ! :
on
estd
ans
l’air
du B
IG D
ATA
Bas
e do
nnée
s re
latio
nnel
les
—co
mm
odité
de
tout
e en
trep
rise
Con
stru
ctio
n d’
imm
ense
ent
repô
t de
donn
ées
(dat
a w
areh
ouse
s)B
ase
de d
onné
es tr
ansa
ctio
nelle
s: p
oint
de
vent
e (P
oint
Of S
ale)
Bas
e de
don
nées
orie
ntée
s ob
jet,
rela
tionn
elle
s, d
istr
ibué
es,
hété
rogè
nes
et h
isto
rique
sB
ase
de d
onné
es s
patia
les
(GIS
), re
mot
ese
nsin
gB
ase
de d
onné
es s
cien
tifiq
ues
/ ing
énie
rieD
onné
es te
mpo
relle
s (e
.g.,
tran
sact
ions
bou
rsiè
res)
Text
(doc
umen
ts, e
mai
ls),
base
de
donn
ées
mul
timed
iaW
EB: i
mm
ense
, hyp
erlie
ns, d
ynam
ique
, sys
tèm
e d’
info
rmat
ion
glob
al
Web
Min
ing
Min
er c
e qu
e le
s en
gins
de
rech
erch
e tr
ouve
nt
Cla
ssifi
catio
n au
tom
atiq
ue d
es d
ocum
ents
Web
Déc
ouve
rtes
de
page
s W
eb d
e ré
fére
nce
auto
ritai
re
Anal
yse
des
stru
ctur
es W
eb e
t ré
seau
x7
QU
ELQ
UES
ÉL
ÉMEN
TS
DIS
TIN
CTI
FS
La m
étap
hore
du
Dat
a M
inin
gsi
gnifi
e qu
’il y
a d
es tr
ésor
s ou
pépi
tes
cach
és s
ous
des
mon
tagn
es d
e do
nnée
s qu
e l’o
n pe
utdé
couv
rir a
vec
des
outil
s sp
écia
lisés
.
Le D
ata
Min
ing
anal
yse
des s
donn
ées
recu
eilli
es à
d’a
utre
s fin
s:c’
est u
ne a
naly
se s
econ
daire
de
base
s de
don
nées
, sou
vent
conç
ues
pou
r la
gest
ion
de d
onné
es in
divi
duel
les.
Le D
ata
Min
ing
ne s
e pr
éocc
upe
pas
de c
olle
cter
des
don
nées
de m
aniè
re e
ffici
ente
et e
ffica
ce (
sond
ages
, pla
ns d
’exp
érie
nces
).
Rec
herc
he d
e m
odèl
es
ou
pa
ttern
s (c
ompo
rtem
ents
)ex
empl
e :
-ni
che
de c
onso
mm
ateu
rs à
fort
e va
leur
-con
som
mat
eurs
à h
aut r
isqu
e (d
omai
ne b
anca
ire)
Préd
ictif
(sup
ervi
sé)
ou
exp
lora
toire
(non
sup
ervi
sé)
Pas
d’es
timat
ion
/ tes
ts
mai
s dé
couv
erte
à l’
aide
d’a
lgor
ithm
es:
arbr
e de
déc
isio
n, ré
seau
x de
neu
rone
s, S
VM, r
ésea
uxba
yesi
ens,
cla
ssifi
catio
n, c
arte
s de
Koh
onen
, règ
les
d’as
soci
atio
n, e
tc 8
QU
ELQ
UES
ÉL
ÉMEN
TS
DIS
TIN
CTI
FS
L’in
fére
nce
stat
istiq
ue c
lass
ique
ne
fonc
tionn
e pl
us p
our l
es tr
ès
gran
ds e
nsem
bles
de
donn
ées:
tout
e hy
poth
èse
nulle
est
reje
tée.
Il fa
ut re
mpl
acer
les
test
s de
sig
nific
atio
n pa
r de
la v
alid
atio
n
croi
sée
: on
test
era
si u
ne s
truc
ture
rest
e va
labl
e da
ns u
ne
autr
e pa
rtie
des
don
nées
que
cel
le q
ui a
été
exp
loré
e po
ur la
défin
ir. C
ritèr
es d
éfin
is p
lus
loin
.
Les
stru
ctur
es s
ont-e
lles
valid
es?
Vérif
ier l
’util
ité d
e ce
que
l’on
déc
ouvr
e:co
rrél
atio
n n’
est p
as c
ausa
lité
!
Enje
u m
ajeu
r: l
a qu
alité
des
don
nées
, don
nées
man
quan
tes,
donn
ées
aber
rant
es (o
utlie
rs) ,
bia
is ,
. .
.
9
NAI
SSAN
CE
du
DAT
A M
ININ
G
L’év
olut
ion
des
SGBD
ver
sl’i
nfor
mat
ique
déc
isio
nnel
leav
ecle
s en
trepô
ts d
e do
nnée
s (D
ata
War
ehou
se).
La c
onst
itutio
n de
gig
a ba
ses
de d
onné
es :
trans
actio
ns d
e ca
rtes
de c
rédi
t, ap
pels
télé
phon
ique
s, fa
ctur
es d
e su
perm
arch
és:
tera
byte
s d
e do
nnée
s re
cuei
llies
auto
mat
ique
men
t. Dé
velo
ppem
entd
e la
Ges
tion
de la
Rel
atio
n Cl
ient
(CRM
) m
arke
ting
clie
nt a
u lie
u de
mar
ketin
g pr
odui
t,
attr
ition
, sat
isfa
ctio
n, fi
délis
atio
n, e
ffica
cité
des
cam
pagn
esde
pro
mot
ion
etc.
Rec
herc
hes
en In
telli
genc
e ar
tific
ielle
(IA)
appr
entis
sage
, ex
tract
ion
de c
onna
issa
nces
10
Data
Min
ing
tech
nolo
gie
base
de
donn
ées
mét
hode
ssta
tistiq
ues
autre
sdi
scip
lines
Info
rmat
ion
Scie
nce
Mac
hine
Lear
ning
&
Inte
llige
nce
Artif
iciel
le(A
I)
visu
alisa
tion
ordi
nate
urs
puiss
ants
11D
ATA
SC
IEN
CE
Dat
a M
inin
g co
nver
genc
e d
e p
lusi
eurs
disc
iplin
es
Cop
yrig
ht
© G
énis
tat
Con
seil
s In
c., 2
020, M
on
tréa
l, C
anad
a
Dat
a M
inin
gM
étho
des s
tatis
tique
sIn
telli
genc
e ar
tific
ielle
Rec
herc
he d
e rè
gles
de
cla
ssem
ent
-Mét
hode
s de
disc
rimin
atio
n-
Rés
eaux
de
neur
onne
s-
Segm
enta
tion
App
rent
issa
ge su
perv
isé/
ex.
-règ
les
-d'ar
bre
de d
écis
ion
-rai
sonn
emen
t à b
ase
de c
asR
égre
ssio
n-
Mét
hode
s de
régr
essi
on-
Rés
eaux
de
neur
onne
s_
Cla
ssifi
catio
n au
tom
atiq
ue-
Cla
ssifi
catio
nau
tom
atiq
ue
hiér
arch
ique
-Pa
rtitio
nnem
ent
-R
ésea
ux d
e ne
uron
nes
App
rent
issa
ge n
on su
perv
isé
-Cla
ssifi
catio
n°co
ncep
tuel
le
Des
crip
tion
synt
hétiq
ueSt
at. É
lém
enta
ire (h
isto
gram
me,
m
oy, é
cart-
type
)O
utils
d'in
terp
rét°
de
clas
ses
Mét
hode
s fac
torie
lles (
AC
P)
App
rent
issa
ge n
on su
perv
isé
-Gén
éral
isat
ion
Rec
herc
he d
e dé
pend
ance
sC
orré
latio
nsA
naly
se fa
ctor
ielle
s des
cor
r. (A
FC)
Rés
eaux
bay
ésie
ns
App
rent
issa
ge n
on su
perv
isé
-Gén
éral
isat
ion
-Rec
herc
he d
'asso
ciat
ions
Dét
ectio
n de
dé
viat
ions
Test
stat
sur l
es é
carts
_
12
Dat
a M
inin
g co
nver
genc
e d
e p
lusi
eurs
disc
iplin
es
Exem
ples
d’a
pplic
atio
ns
-D
étec
ter d
es p
atte
rns
frau
dule
ux d
ans
les
tran
sact
ions
sur c
arte
de
créd
it
Ana
lyse
r les
com
port
emen
ts d
e cl
ient
s af
in d
e pr
opos
erde
s ac
hats
pot
entie
ls (e
x. a
chat
de
couc
hes
et d
e bi
ère
!)
Iden
tifie
r des
str
atég
ies
pour
acq
uérir
de
nouv
eaux
clie
nts
Opt
imis
er la
per
form
ance
de
proc
édés
man
ufac
turie
rs c
ompl
exes
Dét
erm
iner
des
rela
tions
dan
s le
s ba
nque
s de
don
nées
de to
ute
orga
nisa
tion
de p
rodu
ctio
n de
bie
ns o
u se
rvic
es
13
AA PP PP LL II CC AA TT II OO NN S
site
le p
lus
reco
nnu
enD
ata
Min
ing
:ht
tp://
ww
w.k
dnug
gets
.com
appl
icat
ions
rece
nsée
s (2
003)
bank
ing
bioi
nfor
mat
ics
/bio
tech
dire
ct m
arke
ting
e-co
mm
erce
/ w
eb
ente
rtai
nem
ent
frau
dde
tect
ion
assu
ranc
e
inve
stis
emen
t/ s
tock
s
man
ufac
turin
g
med
ical
/pha
rmac
eutic
als
reta
il
scie
ntifi
cda
ta
secu
rity
supp
lych
ain
anal
ysis
tele
com
mun
icat
ion
trav
el
Kan
tard
zic
et Z
urad
a(2
005)
appl
icat
ions
réce
ntes
du
Dat
a M
inin
gau
tres
dom
aine
s qu
e m
arke
ting
/ ven
tes
Min
ing
Waf
er F
abric
atio
nD
amag
e D
etec
tion
Sens
orAr
ray
Dat
a Pr
oces
sing
Car
Driv
er A
sses
smen
tD
isco
very
of P
atte
rns
in E
arth
Sci
ence
Det
ectio
n in
Dig
ital
Imag
ery
Expe
rienc
es in
Min
ing
from
Com
pute
r Sim
ulat
ion
Gen
e M
appi
ngM
icro
arra
y D
ata
Anal
ysis
Gen
e Ex
pres
sion
Pro
files
for t
heD
iagn
osis
of
Dis
ease
sPa
ttern
Rec
ogni
tion
for
Bio
mar
ker D
isco
very
Min
ing
the
Cys
tic F
ibro
sis
Dat
aLe
arni
ng S
trat
egie
s fo
r Web
Cra
wlin
gD
ata
Min
ing
for C
rime
Figh
ting
Dat
a M
inin
g fo
r Int
rusi
on D
etec
tion
Usi
ng F
ract
als
in D
ata
Min
ing
14
Rob
otic
sPa
ttern
reco
gniti
onIm
age
and
spee
ch a
naly
sis
Med
ical
dia
gnos
tics
and
mon
itorin
gLo
an o
r cre
dit s
olic
itatio
ns
Bes
oins
déc
isio
nnel
s :
exem
ple
d’ap
plic
atio
n : d
omai
ne b
anca
ire
Déc
ouve
rte
dete
ndan
ces
cach
ées,
règl
essi
gnifi
cativ
es
Con
nais
sanc
eet
prév
isio
n
Req
uête
surd
es
donn
ées
de
déta
il
Visu
alis
atio
n
Anal
yse,
déte
ctio
nde
pr
oblè
mes
et
oppo
rtun
ités
Ana
lyse
Com
bien
de
mou
vem
ents
ch
aque
clie
nt a
-t-il
effe
ctué
au
cour
s du
der
nier
moi
s?
Que
lle e
st l’
évol
utio
n su
r 5 a
ns d
u no
mbr
e m
ensu
el d
e m
ouve
-m
ents
pour
cha
que
caté
gorie
de
clie
nts?
Que
ls c
lient
s cl
ôtur
eron
t leu
r co
mpt
e au
cou
rs
des
6 pr
ocha
ins
moi
s?
«ch
urni
ng»
Inte
rrog
atio
nra
ppor
tsO
LAP
Dat
a M
inin
g
15
On
Line
Appl
icat
ion
Proc
ess
•En
trep
rise
: b
anqu
e•
Act
ivité
:
p
rêts
hyp
othé
caire
s•
Prob
lèm
e :
acc
epte
r ou
refu
ser u
nede
man
de d
e cr
édit?
•So
lutio
n ac
tuel
leév
alua
tion
de la
sol
vabi
lité
du c
lient
sur l
a b
ase
de c
ritèr
es d
éfin
is p
ar d
es
gest
ionn
aire
s ex
périm
enté
s
Bes
oins
déc
isio
nnel
s :
exem
ple
d’ap
plic
atio
n do
mai
ne b
anca
ire
16
Une
aut
re a
ltern
ativ
e:
gest
ionn
aire
s ex
périm
enté
s
Dat
a M
inin
g
Ana
lyse
r les
don
nées
his
toriq
ues:
solv
abili
té o
bser
vée
lors
des
anc
iens
cré
dits
créd
itsan
cien
s
pour
pré
voir
la s
olva
bilit
é de
s de
man
deur
s de
cré
dit
dem
ande
sde
cré
dit
17
mod
èle
donn
ées
hist
oriq
ues
Mon
tant
créd
itTa
uxcé
dit(
%)
prof
essi
onÉt
atci
vil
reve
nus
solv
abili
té
100
000
7,5
ense
igna
ntM
arié
98 0
00O
ui
200
000
9,4
empl
oyé
Mar
ié10
8 00
0N
on
250
000
8,1
ouvr
ier
Cél
ibat
120
000
Oui
220
000
5,3
cadr
eM
arié
160
000
Oui
300
000
8,1
ouvr
ier
Mar
ié15
0 00
0N
on
190
000
6,1
prof
. lib
éral
eD
écéd
é21
0 00
0O
ui
420
000
6,9
cadr
eM
arié
180
000
Oui
nouv
elle
sdo
nnée
s21
0 00
08,
2em
ploy
éC
élib
at12
0 00
0
190
000
7,4
empl
oyé
Mar
ié17
0 00
0
330
000
6,9
prof
.lib.
Cél
ibat
190
000
170
000
7,0
cadr
eM
arié
205
000
310
000
7,3
ouvr
ier
Mar
ié12
0 00
0
240
000
6,9
fonc
tion
Mar
ié11
0 00
0
400
000
7,1
cadr
eM
ari.
190
000
18
solv
abilit
é de
s de
man
deur
s de
cré
dit
180
000
Oui
120
000
170
000
190
000
205
000
120
000
110
000
190
000
18
?
19
solv
abilit
é de
s de
man
deur
s de
cré
dit
Exem
ple
-fic
hier
Cre
ditS
corin
gde
Sta
tistic
a : 1
000
obs.
x 2
0 va
r
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
. ..
20
CR
ISP
Euro
pean
con
sort
ium
of c
ompa
nies
stan
dard
pro
cess
mod
el fo
r dat
a m
inin
g
SEM
MA
(SAS
Inst
itute
)
SE
MM
Asse
ss
MO
DÈL
ES
D’IM
PLA
NTA
TIO
N
21
Étap
es d
u pr
oces
sus
DAT
A M
ININ
G
1.D
éfin
ir le
pro
blèm
e2.
Iden
tifie
r et p
répa
rer l
es
donn
ées
3.C
onst
ruire
le m
odèl
e et
le te
ster
4.Év
alue
r le
mod
èle
et c
hois
irla
tech
niqu
e o
ptim
ale
PUIS
appl
ique
r (dé
ploy
er) l
e m
odèl
eau
x do
nnée
s ré
cent
es e
tIn
terp
réte
r les
résu
ltats
Dat
aMin
erR
ecep
iede
Sta
tistic
a
22
23
Dat
aMin
erR
ecep
iede
Sta
tistic
aM
onog
raph
ies
& A
rtic
les
(pas
à jo
ur …
.)
Ber
ry, M
., J.
, A.,
& L
inof
f, G
., S.
, (20
00).
Mas
terin
g D
ata
Min
ing.
New
Yor
k: W
iley
D.H
and
(199
9): W
hy d
ata
min
ing
is m
ore
than
sta
tistic
s w
rite
larg
e,IS
I,Hel
sink
i,
http
://w
ww
.sta
t.fi/i
si99
/inde
x.ht
ml
D.H
and
(200
0): M
etho
dolo
gica
l Iss
ues
in D
ata
Min
ing,
in C
omps
tat 2
000,
Phy
sica
-Ver
lag,
77-
85, 2
000
Edel
stei
n, H
., A.
(199
9 ). I
ntro
duct
ion
to D
ata
Min
ing
and
Kno
wle
dge
Dis
cove
ry (3
rd e
d). P
otom
ac, M
D: T
wo
Cro
ws
Cor
p.
Fayy
ad, U
. M.,
Piat
etsk
y-Sh
apiro
, G.,
Smyt
h, P
., &
Uth
urus
amy,
R. (
1996
). A
dvan
ces
In K
now
ledg
e D
isco
very
& D
ata
Min
ing.
Cam
brid
ge, M
A: M
IT P
ress
.
Frie
dman
J. (
1997
): D
ata
Min
ing
and
Stat
istic
s, W
hat’s
the
Con
nect
ion?
http
://w
ww
-sta
t.sta
nfor
d.ed
u/~j
hf/ft
p/dm
-sta
t.ps
Frie
dman
J. (
1999
): Th
e ro
le o
f Sta
tistic
s in
Dat
a R
evol
utio
n, IS
I, H
elsi
nki,
http
://w
ww
.sta
t.fi/i
si99
/inde
x.ht
ml
Frie
dman
J. (
2009
): pr
emiè
re h
eure
du
cour
sST
AT31
5B (S
tanf
ord
Uni
v.) s
ur le
Dat
a M
inin
g (d
onné
àl’h
iver
2009
)ttp
://m
yvid
eos.
stan
ford
.edu
/pla
yer/s
lpla
yer.a
spx?
cour
se=S
TATS
315B
&p=
true
Gau
dard
, M. R
amse
y, P
., St
ephe
ns, M
. ((2
006)
. Int
erac
tive
Dat
a M
inin
g an
d D
esig
n of
Exp
erim
ents
:
The
JMP
Part
ition
and
Cus
tom
Des
ign
Plat
form
s. N
orth
Hav
en G
roup
, LLC
Giu
dici
, P. (
2003
). A
pplie
d D
ata
Min
ing:
Sta
tistic
al M
etho
ds fo
r Ind
ustr
y, J
ohn
Wile
y &
Son
s.H
an, J
., K
ambe
r, M
. (20
00).
Dat
a M
inin
g: C
once
pts
and
Tech
niqu
es. N
ew Y
ork:
Mor
gan-
Kau
fman
.
Has
tie, T
., Ti
bshi
rani
, R.,
& F
riedm
an, J
. H. (
2001
). Th
e el
emen
ts o
f Sta
tistic
al L
earn
ing
: Dat
a M
inin
g, In
fere
nce,
and
Pred
ictio
n. N
ew Y
ork:
Spr
inge
r.
Kan
tard
zic,
M.M
., Zu
rada
, J. (
edito
rs) (
2005
). N
ext G
ener
atio
n of
Dat
a-M
inin
g A
pplic
atio
ns.J
ohn
Wile
y &
Son
s,C
opyr
ight
the
Inst
itute
of e
lect
rical
and
Ele
ctro
nic
Engi
neer
s (IE
EE).
Laro
se, D
anie
l T, (
2005
) Dis
cove
ring
Kno
wle
dge
in D
ata
: An
Intr
oduc
tion
to D
ata
Min
ing
. Joh
n W
iley
& S
ons.
Nis
betR
., El
der,
J., M
iner
, G. (
2009
) Han
dboo
k of
Sta
tistic
al A
naly
sis
& D
ata
Min
ing
Apl
licat
ions
,
Acad
emic
Pre
ss. I
SBN
978
-0-1
2-37
4765
-5Pr
egib
on, D
. (19
97).
Dat
a M
inin
g. S
tatis
tical
Com
putin
g an
d G
raph
ics,
7, 8
. St
atSo
ft:
35 v
idéo
sde
8-1
0 m
inut
es s
urYo
uTub
e
ht
tp://
ww
w.s
tats
oft.c
om/s
uppo
rt/do
wnl
oad/
vide
o-tu
toria
ls/
Tuffé
ry, S
. (20
07).
Dat
a M
inin
g et
sta
tistiq
uedé
cisi
onne
lle,É
ditio
nsTE
CH
NIP
, Par
is.
Wei
ss, S
. M.,
& In
durk
hya,
N. (
1997
). Pr
edic
tive
Dat
a M
inin
g: A
pra
ctic
al G
uide
. New
Yor
k: M
orga
n-K
aufm
an.
Wes
tpha
l, C
., B
laxt
on, T
. (19
98).
Dat
a M
inin
g So
lutio
ns. N
ew Y
ork:
Wile
y.W
itten
, I. H
., &
Fra
nk, E
. (20
00).
Dat
a M
inin
g. N
ew Y
ork:
Mor
gan-
Kauf
man
n.24
Mon
ogra
phie
s su
r les
rése
aux
de n
euro
nes
25
Bis
hop,
C. (
1995
). N
eura
l Net
wor
ks fo
r Pat
tern
Rec
ogni
tion.
Oxf
ord:
Uni
vers
ityPr
ess.
Car
ling,
A. (
1992
). In
trod
ucin
gN
eura
l Net
wor
ks.W
ilmsl
ow, U
K: S
igm
a Pr
ess.
Faus
ett,
L. (1
994)
. Fun
dam
enta
ls o
f Neu
ral N
etw
orks
. New
Yor
k: P
rent
ice
Hal
l.H
ayki
n, S
. (19
94).
Neu
ral N
etw
orks
: A C
ompr
ehen
sive
Foun
datio
n. N
ew Y
ork:
Mac
mill
an P
ublis
hing
.K
ohon
en, T
. (19
82).
Self-
orga
nize
dfo
rmat
ion
of to
polo
gica
llyco
rrec
t fea
ture
map
s.B
iolo
gica
lCyb
erne
tics,
43:
59-6
9.Pa
tters
on, D
. (19
96).
Art
ifici
alN
eura
l Net
wor
ks. S
inga
pore
: Pre
ntic
eH
all.
Rip
ley,
B.D
. (19
96).
Patte
rn R
ecog
nitio
n an
d N
eura
l Net
wor
ks. C
ambr
idge
Uni
vers
ityPr
ess.
Rum
elha
rt, D
.E.,
and
J.L.
McC
lella
nd(1
986)
, Par
alle
lDis
trib
uted
Proc
essi
ng,
Volu
me
1. T
he M
IT P
ress
.Fou
ndat
ions
.
http
://w
ww
.kdn
ugge
ts.c
om/
http
://w
ww
.ccs
u.ed
u/da
tam
inin
g/ht
tp://
ww
w.m
ath.
ccsu
.edu
/dm
/dm
%20
reso
urce
s.ht
mht
tp://
ww
w.d
mre
view
.com
http
://w
ww
.scd
.uca
r.edu
/hps
/GR
OU
PS/d
m/d
m.h
tml
http
://w
ww
.info
goal
.com
/dm
c/dm
cdw
h.ht
m
Site
s In
tern
et