Data Science

mlsmm2151  2025-2026  Mons

Data Science
5.00 crédits
30.0 h
Q1
Enseignants
Langue
d'enseignement
Préalables
  • Programmation en python
  • Algèbre linéaire
  • Probabilités et statistiques élémentaires
Thèmes abordés
  • Paradigmes et concepts en Data Science.
  • Nettoyage des données : gestion des valeurs manquantes, transformation et normalisation des données, analyse exploratoire de données, ingénierie des caractéristiques ;
  • Réduction de dimension et sélection des caractéristiques ;
  • Apprentissage supervisé : régressions/classificateurs linéaires et non-linéaires (arbre de décision, réseaux neuronaux, SVM, ...), méthodes et métriques d'évaluation ;
  • Apprentissage non-supervisé : (k-means, DBSCAN, méthodes hiérarchiques, etc.).
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1
Au terme de ce cours l'étudiant·e est capable de :
  • Concevoir un flux de travail complet pour un projet de Data Science, de l'exploration initiale des données à la communication des résultats ;
  • Développer et écrire un code de qualité professionnelle pour manipuler des données et entraîner des modèles ;
  • Utiliser des outils de versioning et de collaboration (e.g., Git, GitHub) pour gérer des projets en équipe ;
  • Comprendre et expliquer les concepts fondamentaux de Data Science.
  • Appliquer les techniques vues en cours à des jeux de données réels pour résoudre des problématiques concrètes ;
  • Critiquer les résultats obtenus et ajuster les approches en fonction des performances et des contraintes ;
  • Produire des visualisations convaincantes des données et résultats ;
  • Evaluer des modèles selon des métriques appropriées et interpréter leur pertinence dans différents contextes.
 
Méthodes d'enseignement
  • Cours magistral
  • Exercices intégrés au cours
  • Utilisation de logiciels
  • Etude de cas
Modes d'évaluation
des acquis des étudiants
Travail écrit à remettre sur le student corner.
Bibliographie
  • HAN J., KAMBER M. (2006), Data mining: concepts and techniques, 2nd ed. Morgan Kaufmann.
  • TUFFERY S. (2007), Data Mining et statistique décisionnelle : l'intelligence dans les bases de données, Technip.
Faculté ou entité
en charge


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

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

Master [120] : ingénieur de gestion

Master [120] en sciences de gestion (en alternance)