| Libellé du cours : | Business decision |
|---|---|
| Département d'enseignement : | MIN / Mathématiques - Informatique |
| Responsable d'enseignement : | Monsieur CHRISTOPHE SUEUR |
| Langue d'enseignement : | Français |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | LA3_A_SI_MIN_BDE - Business decision |
Equipe pédagogique
Enseignants : Monsieur CHRISTOPHE SUEUR
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
Cet enseignement présente des techniques d’analyse de tableau de données (analyse multivariée, techniques de réduction de données) ainsi qu’une introduction au concept de « Data Mining ».
Objectifs pédagogiques
À l’issue du cours, l’élève sera capable de : - Analyser des tableaux de données (analyse multivariée) - Effectuer une analyse pour trouver des tendances ou des corrélations parmi des masses importantes de données - Détecter des informations stratégiques ou de nouvelles connaissances - Comprendre le concept de « Data Mining » Contribution du cours au référentiel de compétences ; à l’issue du cours, l’étudiant aura progressé dans : - Analyser et mettre en place une démarche scientifique de résolution de problème - Apporter une solution à un problème - Mettre en place des protocoles de tests - Réaliser et exécuter des jeux de tests - Analyser et mettre en place une démarche scientifique de résolution de projets complexes - Travailler en équipe Connaissances travaillées: Partie I : Rappels Notion de moyenne, variance, écart type, corrélation, Khi deux Partie II Représentation des données Notion de variables-individus Notion de tableaux de données (tableaux individus-caractères, tableau de contingence…) Partie III : Présentation de techniques d’analyse Analyse en Composantes Principales ACP Classification (hiérarchique, non-hiérarchique) Analyse Canonique Analyse Discriminante Analyse Factorielle des Correspondances AFC Anova Test d'ajustement du Khi-deux Synthèse : méthodes supervisées ou méthodes non supervisées - dans quels buts? Comparaisons - étude des performances Partie IV : Data Mining Introduction au Datamining Etude de cas avec R (logiciel Open source dédié à l’Analyse de données) Compétences développées: - Analyser et mettre en place une démarche scientifique de résolution de problème - Apporter une solution à un problème - Mettre en place des protocoles de tests - Réaliser et exécuter des jeux de test
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Évaluation des connaissances et compétences acquises pendant 2 séances avec application des méthodes sur le logiciel R+ CR sur le travail réalisé.
Ressources en ligne
- Utilisation du logiciel R. De nombreuses ressources en ligne sont accessibles gratuitement.
Pédagogie
- Enseignement principalement en présentiel, sous forme de cours.
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 16 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 0 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| Nombre d'heures en Séminaire : | 0 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 0 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |
Pré-requis
- Connaissances de base en statistique et en algèbre linéaire (matrices, espaces vectoriels)