Programme d’études 2018-2019English
Data Science
Unité d’enseignement du programme de Bachelier en sciences de l'ingénieur, orientation ingénieur civil à la Faculté Polytechnique
CodeTypeResponsable Coordonnées
du service
Enseignant(s)
UI-B3-IRCIVI-313-MUE ObligatoireSIEBERT XavierF151 - Mathématique et Recherche opérationnelle
  • DUTOIT Thierry
  • PIRLOT Marc
  • SIEBERT Xavier

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Anglais
  • Français
Anglais, Français463800077.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-TCTS-030Signal Processing 11632000Q157.00%
I-MARO-014Data Mining306000Q143.00%

Unité d'enseignement
Prérequis
Prérequis
Prérequis
Prérequis

Objectifs par rapport aux acquis d'apprentissage du programme

  • Mettre en oeuvre une démarche d'ingénieur face à un problème aux contours définis, compte tenu de contraintes techniques, économiques et environnementales.
    • Identifier et décrire le problème à résoudre et le besoin fonctionnel (du client) à rencontrer en tenant compte de l'état de la technologie.
    • Identifier et acquérir les connaissances et compétences nécessaires à la résolution du problème.
  • Maîtriser les connaissances fondamentales (théoriques et méthodologiques) en sciences et en sciences de l'ingénieur pour résoudre des problèmes impliquant ces disciplines.
    • Identifier, décrire et expliquer les principes scientifiques et mathématiques fondamentaux.
    • Identifier, décrire et expliquer les principes de base en sciences de l'ingénieur en particulier dans la dominante.
    • Choisir et appliquer avec rigueur les connaissances, méthodes et outils en sciences et en sciences de l'ingénieur pour résoudre des problèmes impliquant ces disciplines.
  • Communiquer de manière structurée - oralement et par écrit, en français et en anglais - des informations claires, précises, argumentées.
    • Présenter des résultats d'analyse ou d'expérience dans des rapports de laboratoires.
  • Faire preuve de rigueur et d'autonomie dans son parcours de formation.
    • Identifier les différents champs et acteurs du métier de l'Ingénieur
    • Développer sa curiosité scientifique et son ouverture d'esprit.
    • Maîtriser différents moyens mis à disposition pour se documenter et se former de manière autonome.

Acquis d'apprentissage UE

- analyser diverses formes de données et signaux - comprendre la théorie sous-jacente au développement des composants de base des systèmes de traitement numérique du signal - implémenter ces composants sous MATLAB  - comprendre et expliquer la théorie, les modèles et les techniques utilisées pour l'analyse statistique des données - analyser des jeux de données à l'aide d'un logiciel (MATLAB, R, Weka, ...) - interpréter les résultats fournis par le logiciel, en montrant une compréhension de la théorie
 

Contenu de l'UE

- systèmes numériques linéaires et invariants; analyse fréquentielle de signaux et systèmes numériques; théorème de Shannon et échantillonnage; transformée de Fourier Discrète; analyse spectrale de signaux aléatoires; filtrage numérique; systèmes simples sous MATLAB - techniques descriptives des donneés (analyse en composantes principales, 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

Algèbre, Analyse, fonctions de variables complexes

Types d'évaluations Q1 pour l'UE

  • Présentation et/ou travaux
  • Examen écrit
  • Epreuve pratique

Commentaire sur les évaluations Q1 de l'UE

Pondération : Signal processing : 4/7 Analyse des données statistiques : 3/7

Types d'évaluation Q3 pour l'UE

  • Examen écrit

Commentaire sur les évaluations Q3 de l'UE

idem Q1

Types d'évaluation rattrapage BAB1 (Q1) pour l'UE

  • Néant

Commentaire sur les évaluations rattr. Q1 de l'UE

n/a

Types d'activités

AATypes d'activités
I-TCTS-030
  • Cours magistraux
  • Exercices dirigés
  • Travaux pratiques
I-MARO-014
  • Cours magistraux
  • Travaux pratiques
  • Projet sur ordinateur
  • Etudes de cas

Mode d'enseignement

AAMode d'enseignement
I-TCTS-030
  • Face à face
I-MARO-014
  • Face à face

Supports principaux

AASupports principaux
I-TCTS-030Note de cours - Traitement du Signal (1 et 2) - Thierry Dutoit
I-MARO-014

Supports principaux non reproductibles

AASupports principaux non reproductibles
I-TCTS-030Sans objet
I-MARO-014- diapositives des présentations orales (théorie et exemples) - syllabus d'exercices pratiques
 

Supports complémentaires

AASupports complémentaires
I-TCTS-030
I-MARO-014

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
I-TCTS-030Sans objet
I-MARO-014syllabus de théorie et exercices pratiques

Autres références conseillées

AAAutres références conseillées
I-TCTS-030AUGER, F. (1999) Introduction à la théorie du signal et de l’information, 461 pp. Paris : TechnipDENBIGH, P. (1998) System Analysis and Signal Processing, 513 pp. Harlow : Addison-WesleyBAHER, H. (2001) Analog and Digital Signal Processing, 497 pp. Chichester : Wiley & SonsLYONS, R.G. (1998) Understanding Digital Signal Processing, 517pp. Harlow : Addison-Wesley
I-MARO-014R.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

AAReports des notes d'AA d'une année à l'autre
I-TCTS-030Autorisé
I-MARO-014Autorisé
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de génération : 02/05/2019
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be