| Libellé du cours : | Outils de prédiction, Modélisation et Data mining |
|---|---|
| Département d'enseignement : | CMA / Chimie et Matière |
| Responsable d'enseignement : | Madame VERONIQUE RATAJ |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | |
| Code et libellé (hp) : | MR_CIF_S3_OMD - Outils de prédiction, Modélisa |
Equipe pédagogique
Enseignants : Madame VERONIQUE RATAJ
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
L'objectif ici est d'initier les étudiants au Data Science en formulation, illustré dans le domaine de la cosmétique en particulier, et de leur montrer les différents outils pour le traitement des données, le big data et la modélisation des données quantitatives. Programme succinct : 1. Data sciences appliquées aux domaines de la formulation cosmétique : - Introduction aux nouveaux métiers de la cosmétique - Data mining : Explorer ses données (focus avec le langage R) - Machine Learning: Modélisation de données quantitatives et catégorielles - Les réseaux de neurones 2. Modélisation moléculaire - Théorie - Applications - Pratique 3. Prédictions des propriétés physicochimiques des Amphiphiles - Les outils prédictifs - Le logiciel COSMO-RS
Objectifs pédagogiques
- Connaître et savoir utiliser les logiciels et outils informatiques pour le traitement de données - Connaître et savoir utiliser les outils et méthodes prédictives des propriétés physicochimiques - Savoir traiter des données et les modéliser - Notions sur l'intelligence artificielle
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Evaluation sous forme d'un QCM et d'un TD noté
Ressources en ligne
Pédagogie
Logiciels informatiques
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 10 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 5 |
| 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
Notions sur les méthodes de prédiction et de modélisation DFT, QSPR, QSAR, Plans d'expérience Traitements des données
Nombre maximum d'inscrits
Remarques
Enseignement dispensé par un industriel de la société PROSE