Objectif: Importer les données dans MATLAB et les organiser pour l'analyse, en particulier en les normalisant et en supprimant les observations contenant des valeurs manquantes.

• Types de données
• Tables
• Catégories
• Préparation des données

Objectif: Utiliser les techniques d'apprentissage non supervisé pour grouper les observations suivant des variables explicatives. Découvrir des motifs dans les données.

• Apprentissage non supervisé
• Méthodes de partitionnement
• Evaluation du partitionnement et interprétation

Objectif: Utiliser les techniques d'apprentissage supervisé pour effectuer de la modélisation prédictive pour les problèmes de classification. Evaluer la précision du modèle.

• Apprentissage supervisé
• Apprentissage et validation
• Méthodes de classification

Objectif: Réduire la dimensionalité d'un jeux de données. Améliorer et simplifier les modèles d'apprentissage automatique.

• Validation croisée
• Transformation de caractéristiques
• Sélection de caractéristiques
• Apprentissage d'ensemble

Objectif: Utilisation de techniques d'apprentissage supervisé pour la construction de modèles prédictifs pour variables de sortie continues.

• Méthodes de régression paramétriques
• Méthodes de régression non-paramétriques
• Validation de modèles de régression

Objectif: Création et entrainement d'un réseau de neurones pour le partitionnement et la prédiction. Réglage de l'architecture du réseau pour améliorer les performances.

• Partitionnement avec des cartes auto adaptatives
• Classification avec des réseaux sans rétroactions
• Régression avec des réseaux sans rétroactions