 | Programme d’études 2020-2021 | English | |
 | Big Data Analytics | ||
Unité d’enseignement du programme de Master en sciences mathématiques à la Faculté des Sciences |
| Les étudiants sont invités à consulter les fiches ECTS des AA pour prendre connaissance des modalités d’évaluation spéciales Covid-19 éventuellement prévues pour la fin du Q3 |
|---|
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-M1-SCMATH-055-M | UE optionnelle | BEN TAIEB Souhaib | S861 - Big Data and Machine Learning |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Anglais, Français | 30 | 30 | 0 | 0 | 0 | 6 | 6.00 | 2e quadrimestre |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| S-INFO-075 | Big Data Analytics | 30 | 30 | 0 | 0 | 0 | Q2 | 100.00% |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Être capable de réaliser des projets d'envergure
- -Être capable de travailler en équipe et en particulier de communiquer efficacement et dans le respect des autres.
- -Pouvoir présenter oralement et par écrit les objectifs et les résultats d'un projet.
- 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 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
Acquis d'apprentissage UE
Voir l'unique activité d'apprentissage.
Contenu de l'UE
Ce cours faisant suite au cours "Machine learning", il couvre d'autres sujets liés à l'analyse de grandes quantitées de données qui permettent de compléter et d'approfondir les notions vues précédemment.
Compétences préalables
Avoir suivi avec succès le cours "Machine learning".
Types d'évaluations Q2 pour l'UE
- Présentation et/ou travaux
- Examen écrit
- Exercice(s) coté(s)
Commentaire sur les évaluations Q2 de l'UE
Examen écrit (60% des points)
Présentation et travaux (20% des points)
Exercices cotés (20% des points)
Un échec dans l'une des activités d'apprentissage entraîne l'échec global de l'unité d'enseignement
Types d'évaluation Q3 pour l'UE
- Présentation et/ou travaux
- Examen oral
- Exercice(s) coté(s)
Commentaire sur les évaluations Q3 de l'UE
Examen oral (60% des points)
Présentation et travaux (20% des points)
Exercices cotés (20% des points)
Un échec dans l'une des activités d'apprentissage entraîne l'échec global de l'unité d'enseignement
Types d'activités
| AA | Types d'activités |
|---|---|
| S-INFO-075 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| S-INFO-075 |
|
Supports principaux
| AA | |
|---|---|
| S-INFO-075 |
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| S-INFO-075 | Sans objet |
Supports complémentaires
| AA | |
|---|---|
| S-INFO-075 |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| S-INFO-075 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| S-INFO-075 | Sans objet |
Reports des notes d'AA d'une année à l'autre
| AA | Reports des notes d'AA d'une année à l'autre |
|---|---|
| S-INFO-075 | Non autorisé |