Généralités sur les différentes méthodes d’apprentissage supervisé
• Champs d'application des différentes méthodes
• Objectifs de l’apprentissage supervisé
 Objectifs de description
 Objectifs de prédiction
• Structure des jeux de données
• Présentation générale de l'éventail des méthodes
 Arbre de décision
 Forêt aléatoire

Contexte d’application des méthodes d’arbre de décision
• Structure du jeu de données
• Principes, vocabulaire et objectifs
• Notion d’échantillon d’apprentissage, de validation et de test
• Comparaison de méthodes de type régression linéaire / logistique aux arbres de décision
• Principe de la segmentation selon le type de variable : Arbre de régression ou arbre de classification
• Définir les conditions d’arrêt de construction d’un arbre : Notion de pré-élagage
• Définition des groupes après construction de l’arbre
• Indicateurs de qualité
• Comparaison d’arbre de décision selon un certain type d’algorithme : CHAID vs CART
• Avantages et inconvénients : limites des arbres de décision
• Mise en œuvre et interprétation des résultats obtenus après application d’une analyse par arbre de décision

                                                                                                                                                                              Contexte d’application des méthodes de forêt aléatoire
• Pourquoi avoir recourt aux forêts aléatoires ?
• Principes et objectifs
 Instabilité de l’arbre
 Notion de Bagging
 Les erreurs liées à l’échantillonnage (Out-Of-Bag)
 Prédiction avec un algorithme de Forêt aléatoire : Les paramètres
• Evaluer l’importance des variables
 Notion d’importance
 Comportement de l’importance
 Lien entre diversité des arbres et l’importance
 Influence des paramètres
• Sélection de variables
 Généralités et principes de la sélection
 Procédure de sélection
 Les paramètres de sélection