Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h
Q2
Enseignants
Kolp Manuel; Saerens Marco;
Langue
d'enseignement
d'enseignement
Anglais
Préalables
- A first course in programming
- A first course in information systems analysis and design
- A first course in multivariate calculus
- A first course in linear algebra and matrix theory
- A first course in probability and statistics (including maximum likelihood estimation)
- A first course in multivariate statistical analysis
Thèmes abordés
Nowadays, data are everywhere. For most organizations, potentially every area of its business, as well as every relationship related to its business, can now be quantified and recorded. Such amount of data led to the emergence of powerful methods for storing, processing, querying, and extracting useful information/knowledge from these data. This course will be focused on methods for data understanding, design, management, preparation, modeling, querying, and visualization, as a global means for the organization of making better decisions. As a central element in data analytics, modeling and methodology will play an important role in this course, including, e.g., data design for business intelligence analytics, predictive modeling, or fitting statistical models to data.
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
Having regard to the LO of the programme, this activity contributes to the development and acquisition of the following LO:
|
La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
The scope of the course is broad and the instructor will certainly not be able to cover all of the material concerning data analytics in business. Depending of his background, interests and experience, he will focus on some specific techniques or skim through a broad range of methods.
Potential covered topics are (but not limited to): database design for data analytics, business intelligence techniques, dimensionality reduction for data visualization, extracting recurrent patterns from data, cluster analysis, predictive modeling (supervised classification and regression methods), modeling relationships by latent variable techniques, data analysis algorithms scaling to big data, etc. All these techniques must be illustrated through business applications.
Potential covered topics are (but not limited to): database design for data analytics, business intelligence techniques, dimensionality reduction for data visualization, extracting recurrent patterns from data, cluster analysis, predictive modeling (supervised classification and regression methods), modeling relationships by latent variable techniques, data analysis algorithms scaling to big data, etc. All these techniques must be illustrated through business applications.
Méthodes d'enseignement
Classical courses and case studies
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
Continuous evaluation
- Date: Will be specified later
- Type of evaluation: Project with rapport
- Comments: 40% of the final result
- Oral: No
- Written: No
- Unavailability or comments: No
- Oral: No
- Written: Yes
- Unavailability or comments: 60% of the final result
Bibliographie
Potential sources:
- Provost & Fawcett (2013) 'Data science for business'. O'Reilly.
- Sherman (2014) 'Business intelligence guidebook: from data integration to analytics'. Morgan Kaufmann.
- Efraim, Sharda & Delen (2010) 'Decision support and business intelligence Systems'. Pearson.
- Leskovec, Rajaraman & Ullman (2014) 'Mining of massive datasets, 2nd ed'. Cambridge University Press.
- Kelleher, Mac Namee & D'Arcy (2015) 'Fundamentals of machine learning for predictive data analytics. MIT Press.
- Hastie, Tibshirani & Friedman (2009), "The elements of statistical learning, 2nd ed". Springer-Verlag.
- Izenman (2008), 'Modern multivariate statistical techniques: regression, classification, and manifold learning. Springer.
- Bellanger & Tomassone (2014), "Exploration de données et méthodes statistiques : data analysis & data mining avec le Logiciel R". Ellipses.
Faculté ou entité
en charge
en charge
CLSM
