 | Programme d’études 2018-2019 | English | |
 | Analyse des données statistiques | ||
Unité d’enseignement du programme de Master en sciences mathématiques à la Faculté des Sciences |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-M1-SCMATH-042-M | UE optionnelle | SIEBERT Xavier | F151 - Mathématique et Recherche opérationnelle |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 30 | 6 | 0 | 0 | 0 | 4 | 4.00 | 1er quadrimestre |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| I-MARO-014 | Data Mining | 30 | 6 | 0 | 0 | 0 | Q1 | 100.00% |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Posséder des connaissances mathématiques intégrées et pointues
- -Pouvoir mobiliser les mathématiques de bachelier pour traiter de questions complexes et posséder une expertise profonde de celles-ci, prolongeant celle développée en bachelier.
- -Être capable d'utiliser ses connaissances antérieures pour apprendre des mathématiques de haut niveau de manière autonome.
- -Être capable de lire des articles de recherche dans au moins une discipline des mathématiques
- Être capable de réaliser des projets d'envergure
- -Être capable d'utiliser les ressources bibliographiques de manière adaptée au but poursuivi.
- Être capable d'innovation pour résoudre une problématique inédite en mathématiques ou dans leurs applications
- -Pouvoir mobiliser ses connaissances, rechercher et analyser diverses sources d'information afin de proposer des solutions éventuellement innovantes à des problématiques inédites ciblées.
- Pouvoir communiquer clairement
- -Pouvoir communiquer oralement et par écrit des résultats de mathématique ou de domaines connexes en s'adaptant au public.
- -Être capable de faire une présentation structurée et argumentée du contenu et des principes sous-tendant un travail, des connaissances mobilisées et des conclusions auxquelles il conduit.
- Être capable de s'adapter à différents contextes
- -Avoir développé un fort degré d'autonomie permettant d'acquérir des savoirs complémentaires et des compétences nouvelles, permettant d'évoluer dans des contextes différents.
- -Être capable de mener une réflexion critique sur l'impact des mathématiques et sur les implications des projets auxquels ils contribuent
- -Faire preuve de rigueur, d'autonomie, de créativité, d'honnêteté intellectuelle, de sens éthique et déontologique
Acquis d'apprentissage UE
- comprendre et expliquer la théorie, les modèles et les techniques utilisées
- identifier le(s) modèle(s) convenant pour un jeu de données
- analyser des jeux de données à l'aide d'un logiciel
- interpréter les résultats fournis par le logiciel, en montrant une compréhension de la théorie
Contenu de l'UE
- techniques descriptives comme l'analyse en composantes principales et l'analyse factorielle discriminante
- modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire)
- data mining (méthodes de classification, supervisée et non-supervisée)
Compétences préalables
Statistiques élémentaires
algèbre, analyse
Types d'évaluations Q1 pour l'UE
- Examen écrit
- Epreuve pratique
Commentaire sur les évaluations Q1 de l'UE
épreuve écrite pour la théorie, suivie d'une épreuve sur ordinateur pour la partie pratique, avec interrogation orale
Types d'évaluation Q3 pour l'UE
- Examen écrit
- Epreuves pratiques
Commentaire sur les évaluations Q3 de l'UE
épreuve écrite pour la théorie, suivie d'une épreuve sur ordinateur pour la partie pratique, avec interrogation orale
Types d'évaluation rattrapage BAB1 (Q1) pour l'UE
- Néant
Commentaire sur les évaluations rattr. Q1 de l'UE
Sans objet
Types d'activités
| AA | Types d'activités |
|---|---|
| I-MARO-014 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| I-MARO-014 |
|
Supports principaux
| AA | |
|---|---|
| I-MARO-014 |
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| I-MARO-014 | - diapositives des présentations orales (théorie et exemples) - syllabus d'exercices pratiques |
Supports complémentaires
| AA | |
|---|---|
| I-MARO-014 |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| I-MARO-014 | syllabus de théorie et exercices pratiques |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| I-MARO-014 | R.O.Duda, P.E.Hart, D.G.Stork. "Pattern Classification". John Wiley and Sons, 2000. I. H. Witten, E. Frank. Data Mining : "Practical Machine Learning Tools and Techniques with Java Implementations". Morgan Kaufmann, 2010 J-M. Azaïs, J-M. Bardet, "Le Modèle Linéaire par l'exemple : Régression, Analyse de la Variance et Plans d'Expériences. Illustrations numériques avec les logiciels R, SAS et Splus", Dunot, 2006 R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012 |
Reports des notes d'AA d'une année à l'autre
| AA | Reports des notes d'AA d'une année à l'autre |
|---|---|
| I-MARO-014 | Autorisé |