Analyse des données

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.

5 crédits

30.0 h + 7.5 h

Enseignants

Segers Johan;

Langue
d'enseignement

Français

Thèmes abordés

- Rappels d'algèbre et de géométrie utiles à l'analyse des données.. - Principes de base des méthodes factorielles. - Analyse en composantes principales et ses variations. - Analys edes corrélations canoniques. - Analyse factorielle discriminante. - Analyse factorielle des correspondances. - Introduction aux méthodes de classification. - L'analyse des données, en pratique.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.1, 1.3, 2.2, 3.3 Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.1, 1.3, 2.2, 3.3 B. Objectifs généraux: Présenter les techniques modernes de l'analyse de grands ensemble de données et développer les outils de base du " data mining ". Objectifs spécifiques: A l'issue de ce cours, les étudiants doivent être capables de : - Traiter et décrire l'information contenue dans des grands ensemble de données ; - Comprendre les mécanismes qui justifient l'emploi de telle ou telle méthode ; - Interpréter correctement les graphiques et résultats fournis par les logiciels ; - Résoudre des problèmes avec données réelles.

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

Matrices de données
Analyse en composantes principales
Classification: moyennes mobiles et classification hiérarchique
Analyse discriminante linéaire
Analyse des correspondances simple et multiple
Régression sur composantes principales
Régression des moindres carrés partiels

Les méthodes sont réalisés dans le language R via le logiciel RStudio, et R Markdown est utilisé pour la réalisation de rapports comprenant à la fois du texte, des développements mathématiques, du code R et les résultats des analyses (tables, figures).

Méthodes d'enseignement

Lors des cours magistraux, l'enseignant présente les différentes méthodes d'analyse, couvrant à la fois leur champ d'application, la théorie mathématique sous-jacante, et la programmation en R. Des devoirs sont donnés dont la solution est discuté lors des cours magistraux aussi.
Les TP se déroulent en salle informatique et servent surtout pour permettre aux étudiants de s'entraîner à l'application des méthodes d'analyse en R et sur des vrais jeux de données.

Modes d'évaluation
des acquis des étudiants

Tests lors des cours magistraux:

Test 1: Matrices de données et analyse en composantes principales
Test 2: Classification et Analyse discriminante linéaire

Participation optionnelle. Au choix de l'étudiant, chaque test peut remplacer la partie de l'examen sur le même sujet.
Examen (12/20):

par écrit, à livre fermé, à l'aide d'un formulaire et d'une calculatrice
exercices et questions de calcul, d'interprétation de sortie de logiciel, et de compréhension des formules et des résultats principaux

Projet (8/20):

seul ou en binôme
application des méthodes sur une base de donnée apportée par l'étudiant lui-même
rapport écrit en R Markdown, à soumettre avant la session d’examens
consignes détaillés lors des TP et sur la page MoodleUCL du cours

Autres infos

Préalables :

calcul vectoriel et matriciel
géométrie euclidienne: points, espaces, orthogonalité, distances, angles
notions de base en statistique: moyenne, (co)variance, corrélation, matrice de covariance, probabilité conditionnelle, distribution normale, distribution khi-carré

Ressources
en ligne

Toutes les ressources nécessairs pour le cours sont fournies sur la page MoodleUCL du cours: les dias des cours magistraux et des TP, les script informatiques, les exercices. En plus, des liens vers des ressources électroniques externes sont fournis aussi: des cours en ligne, des vidéos, de la documentation du logiciel utilisé.

Bibliographie

Escofier, B. et Pagès, J. (2016): Analyses factorielles simples et multiples, 5e édition, Dunod, Paris.
Lebart, L., Piron, M. et Morineau, A. (2006): Statistique exploratoire multidimensionnelle, 4e édition, Dunod, Paris.
Saporta, G. (2011): Probabilités, analyse des données et statistique, 3e édition révisée, Editions TECHNIP, Paris.

Support de cours

matériel sur moodle

Faculté ou entité
en charge

LSBA

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

Intitulé du programme

Sigle

Crédits

Prérequis

Acquis
d'apprentissage

Approfondissement en statistique et sciences des données

LSTAT100P

Mineure en statistique, sciences actuarielles et science des données

LSTAT100I

Master [120] : ingénieur civil biomédical

GBIO2M

Master [120] : ingénieur civil en mathématiques appliquées

MAP2M

Master [120] en science des données, orientation statistique

DATS2M

Master [120] en statistique, orientation biostatistiques

BSTA2M

Certificat d'université : Statistique et sciences des données (15/30 crédits)

STAT2FC

Master [120] en sciences économiques, orientation générale

ECON2M

Master [120] en sciences mathématiques

MATH2M

Master [120] en statistique, orientation générale

STAT2M