Data Analytics

mlsmm2116  2021-2022  Mons

Data Analytics
5.00 crédits
30.0 h
Q1
Enseignants
Fouss François;
Langue
d'enseignement
Anglais
Préalables
/
Acquis
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 :
  • Appliquer une démarche scientifique (3.1 à 3.5)
  • Gérer un projet (7.1 à 7.3)
Les Acquis d'Apprentissage au terme de l'unité d'enseignement
A la fin cette unité d'enseignement, l'étudiant est capable de :
  • Understand and evaluate the scope, the risks, and the opportunities of data analytics within a company;
  • Understand and apply the standard methods and methodologies, coming both from computer sciences and statistics, for managing, exploiting, and analyzing these data;
  • Extract useful information & knowledge supporting decision-making from these data;
  • Analyze and interpret the obtained analytical results.
 
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.
Méthodes d'enseignement
Cours magistraux, présentations, intervention d'experts et études de cas.
Modes d'évaluation
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).
!!! Le cours est un cours à évaluation unique (i.e., une fois la note obtenue pour le cours, elle est définitive pour toute l'année académique, et ne peut donc plus être améliorée par la suite) !!!
Ressources
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.
Faculté ou entité
en charge
CLSM


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

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur de gestion

Master [120] en administration publique