En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées,
notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
5 crédits
30.0 h
Q1
Enseignants
Fouss François; Francq Pascal (supplée Fouss François);
Langue
d'enseignement
d'enseignement
Anglais
Préalables
/
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unité d’enseignement, l’étudiant est capable de : | |
| 1 |
Contribution de l'unité d'enseignementau référentiel AA du programme Eu égard au référentiel de compétences du programme de la LSM, cette unité d'enseignement contribue au développement et à l'acquisition des compétences suivantes :
A la fin cette unité d'enseignement, l'étudiant est capable de :
|
Contenu
Au-delà des principaux sujets traités dans ce cours (i.e., introduction aux principales tâches du data analytics et apprentissage d'une méthodologie adéquate d'analyse de données), le cadre du cours est large et le/la professeur·e ne pourra certainement pas couvrir l'ensemble des éléments du data analytics dans le domaine de la gestion. En fonction de ses affinités, intérêts et expérience, le/la professeur·e se focalisera sur certaines techniques, en illustrant par différents exemples adéquats.
Les sujets qui seront potentiellement couverts dans ce cours (non-limitatif)(et sans recoupement avec les différents sujets couverts dans les cours de la majeure Business Analytics): technique de business intelligence, reporting, intelligence management, réduction de dimensionalité en visualisation de données, extraction de motifs récurrents de données, clustering, modélisation prédictive (classification supervisée et modèles de régression), algorithmes d'analyse de données applicables au Big Data, etc. Toutes ces techniques seront illustrées à travers des applications en gestion.
Les sujets qui seront potentiellement couverts dans ce cours (non-limitatif)(et sans recoupement avec les différents sujets couverts dans les cours de la majeure Business Analytics): technique de business intelligence, reporting, intelligence management, réduction de dimensionalité en visualisation de données, extraction de motifs récurrents de données, clustering, modélisation prédictive (classification supervisée et modèles de régression), algorithmes d'analyse de données applicables au Big Data, etc. Toutes ces techniques seront illustrées à travers des applications en gestion.
Méthodes d'enseignement
En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.
Cours magistraux, présentations, intervention d'experts et études de cas.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.
- Evaluation continue (présentations, rapports, participation).
- Projet avec défense orale de celui-ci durant la semaine mid-term (semaine entre les 2 parties du quadrimestre).
Ressources
en ligne
en ligne
Voir Student Corner / Teams
Bibliographie
Sources potentielles :
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.
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
