Data Science

mlsmm2151  2026-2027  Mons

Data Science
La version que vous consultez n'est pas définitive. Cette fiche d’activité peut encore faire l'objet de modifications. La version finale sera disponible le 1er juin.
5.00 crédits
30.0 h
Q1
Langue
d'enseignement
Français
> English-friendly
Préalables
  • Programmation en python
  • Algèbre linéaire
  • Probabilités et statistiques élémentaires
Thèmes abordés
  • Paradigmes et concepts en Data Science.
  • Nettoyage des données : gestion des valeurs manquantes, transformation et normalisation des données, analyse exploratoire de données, ingénierie des caractéristiques ;
  • Réduction de dimension et sélection des caractéristiques ;
  • Apprentissage supervisé : régressions/classificateurs linéaires et non-linéaires (arbre de décision, réseaux neuronaux, SVM, ...), méthodes et métriques d'évaluation ;
  • Apprentissage non-supervisé : (k-means, DBSCAN, méthodes hiérarchiques, etc.).
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1
Au terme de ce cours l'étudiant·e est capable de :
  • Concevoir un flux de travail complet pour un projet de Data Science, de l'exploration initiale des données à la communication des résultats ;
  • Développer et écrire un code de qualité professionnelle pour manipuler des données et entraîner des modèles ;
  • Utiliser des outils de versioning et de collaboration (e.g., Git, GitHub) pour gérer des projets en équipe ;
  • Comprendre et expliquer les concepts fondamentaux de Data Science.
  • Appliquer les techniques vues en cours à des jeux de données réels pour résoudre des problématiques concrètes ;
  • Critiquer les résultats obtenus et ajuster les approches en fonction des performances et des contraintes ;
  • Produire des visualisations convaincantes des données et résultats ;
  • Evaluer des modèles selon des métriques appropriées et interpréter leur pertinence dans différents contextes.
 
Méthodes d'enseignement
  • Cours magistral
  • Exercices intégrés au cours
  • Utilisation de logiciels
  • Etude de cas
Modes d'évaluation
des acquis des étudiants
Travail écrit à remettre sur le student corner.
Bibliographie
  • HAN J., KAMBER M. (2006), Data mining: concepts and techniques, 2nd ed. Morgan Kaufmann.
  • TUFFERY S. (2007), Data Mining et statistique décisionnelle : l'intelligence dans les bases de données, Technip.
Faculté ou entité
en charge
> CLSM


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur de gestion
INGE2M
5
Master [120] : ingénieur de gestion
INGM2M
5
Master [120] en sciences de gestion (en alternance)
GESA2M
5