Data Science

5.00 crédits

30.0 h

> Horaire

Enseignants

Langue
d'enseignement

Français
> English-friendly

Préalables

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

Modes d'évaluation
des acquis des étudiants

Évaluation continue au travers de travaux portant sur la mise en pratique des méthodes du cours ;
Évaluation individuelle en session portant sur la compréhension, l’application et l’analyse des concepts du cours.

Notes importantes :

Le cours est un cours à évaluation unique (i.e., une fois la note obtenue pour le cours, elle est définitive pour toute l'année académique, et ne peut donc plus être améliorée par la suite) !!!
En soumettant un travail pour évaluation, vous affirmez : (i) qu'il reflète fidèlement le phénomène étudié, et pour cela vous devez avoir vérifié les faits, surtout s'ils sont prétendus par une IA générative (dont vous devez mentionner explicitement l’utilisation en tant qu’outil de soutien à la réalisation de votre travail) ; (ii) avoir respecté toutes les exigences spécifiques du travail qui vous est confié, notamment les exigences pour la transparence et la documentation de la démarche scientifique mise en œuvre. Si l'une de ces affirmations n'est pas vraie, que ce soit intentionnellement ou par négligence, vous êtes en défaut de votre engagement déontologique vis-à-vis de la connaissance produite dans le cadre de votre travail, et éventuellement d’autres aspects de l’intégrité académique, ce qui constitue une faute académique et sera considéré comme telle.

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

Intitulé du programme

Sigle

Crédits

Prérequis

Acquis
d'apprentissage

Master [120] : ingénieur de gestion

INGE2M

Master [120] : ingénieur de gestion

INGM2M

Master [120] en sciences de gestion (en alternance)

GESA2M