5.00 crédits
30.0 h
Q1
Enseignants
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
Le cours sera centré sur l'exploration des principales tâches du data analytics et sur l'apprentissage d'une méthodologie adéquate d'analyse de données, en veillant à illustrer le contenu par des applications en gestion.
Au-delà de ces 2 principaux sujets, le/la professeur·e, en fonction de ses affinités, intérêts et expérience, pourra compléter le cours par certaines techniques et applications. 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): business intelligence, reporting, intelligence management, réduction de dimensionalité en visualisation de données, clustering, modélisation prédictive, etc. Toutes ces techniques seront illustrées à travers des applications en gestion.
Au-delà de ces 2 principaux sujets, le/la professeur·e, en fonction de ses affinités, intérêts et expérience, pourra compléter le cours par certaines techniques et applications. 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): business intelligence, reporting, intelligence management, réduction de dimensionalité en visualisation de données, clustering, modélisation prédictive, etc. Toutes ces techniques seront illustrées à travers des applications en gestion.
Méthodes d'enseignement
Cours magistraux, présentations, intervention d'experts et études de cas.
Modes d'évaluation
des acquis des étudiants
des acquis des étudiants
- Evaluation continue (présentations, rapports, participation).
- Projet avec défense orale (matière du projet et matière du cours) 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
