Data Mining et Statistique décisionnelle: La science des données

Le data mining et la data science gagnent en popularité au sein des entreprises et des organisations qui cherchent à extraire des informations pertinentes de leurs bases de données. Elles utilisent ces données pour expliquer et anticiper divers phénomènes tels que les risques, la production, la consommation et la fidélisation. Cette cinquième édition, enrichie de 90 pages, offre une vue d’ensemble actualisée sur le data mining, ses méthodes, ses outils et ses applications. Ces applications vont du scoring au text mining, avec un chapitre entièrement remanié dédié à ce dernier.

Les outils abordés incluent des techniques classiques d’analyse de données et de statistiques, comme l’analyse factorielle, la classification automatique, l’analyse discriminante, la régression logistique, les modèles linéaires généralisés, la régression pénalisée et la régression clusterwise. Cependant, d’autres outils sont plus spécifiques au data mining, tels que les réseaux de neurones, les algorithmes génétiques, les SVM, les arbres de décision, les forêts aléatoires, le boosting et la détection des règles d’association.

Cette édition présente également les avancées récentes en machine learning et les applications actuelles des Big Data, allant des algorithmes de reconnaissance d’image aux méthodes de plongement de mots en text mining. Les chapitres consacrés aux réseaux de neurones et aux SVM mettent en lumière la reconnaissance de l’écriture manuscrite.

Les outils discutés sont disponibles dans des logiciels de plus en plus puissants et complets, à commencer par le logiciel libre R. Nous comparons en détail R aux logiciels SAS et IBM SPSS dans un chapitre spécifique. Ces logiciels illustrent les concepts théoriques par des exemples concrets.

Concernant la méthodologie, nous abordons des thèmes allant de la conduite de projets aux facteurs de succès, ainsi qu’aux pièges à éviter. Nous traitons aussi de l’évaluation et de la comparaison des modèles, tout en expliquant leur intégration dans les processus opérationnels. Un chapitre est dédié à une étude de cas complète sur le credit scoring, depuis l’exploration des données jusqu’à l’élaboration de la grille de score. Pour en savoir plus, n’hésitez pas à plonger dans cette lecture.