Programme d’études 2018-2019English
Sciences des données III : exploration et prédiction
Unité d’enseignement du programme de Master en sciences informatiques à la Faculté des Sciences
CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-M1-SCINFO-022-MUE optionnelleGROSJEAN PhilippeS807 - Ecologie numérique des milieux aquatiques
  • GROSJEAN Philippe

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Français
Français150150033.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
S-INFO-032Sciences des données III : exploration et prédiction1501500Q1100.00%

Unité d'enseignement

Objectifs par rapport aux acquis d'apprentissage du programme

  • Avoir acquis des connaissances hautement spécialisées et intégrées et des compétences larges dans les diverses disciplines des sciences informatiques, qui font suite à celles relevant du niveau de bachelier en sciences informatiques
  • Gérer des projets de développement informatique d'envergure
    • -Etre capable d'appliquer, de mobiliser, d'articuler et de valoriser les connaissances et les compétences acquises en vue de contribuer à la conduite et à la réalisation d'un projet
    • -Faire preuve d'autonomie et être capable de travailler seul ou en équipe
  • Gérer des travaux de recherche, de développement ou d'innovation
    • -Etre capable d'appréhender une problématique inédite relevant des sciences informatiques et de ses applications
    • -Rechercher de façon méthodique des informations scientifiquement valides, mener une analyse critique, proposer et argumenter des solutions éventuellement innovantes à des problématiques ciblées
  • Maîtriser les techniques de communication
    • -Pouvoir communiquer de façon claire, structurée et argumentée, tant à l'oral qu'à l'écrit, ses conclusions, ses propositions originales ainsi que les connaissances et principes sous-jacents
  • Développer et intégrer un fort degré d'autonomie
    • -Poursuivre sa formation et développer de nouvelles compétences de façon autonome
    • -Développer et intégrer un fort degré d'autonomie pour pouvoir évoluer dans de nouveaux contextes
  • Appliquer une méthodologie scientifique
    • -Avoir la capacité de mener une réflexion critique sur l'impact de l'informatique en général et, en particulier, lors de la contribution à des projets
    • -Faire preuve de rigueur, d'autonomie, de créativité, d'honnêteté intellectuelle, de sens éthique et déontologique.

Acquis d'apprentissage UE

Etre capable d’analyser correctement des données biologiques ayant une dépendance temporelle, d’ajuster un modèle non linéaire (courbe de cinétique, de croissance, dose-réponse, etc.) et de retrouver l’information pertinente dans un gros jeu de données à l’aide de techniques de foullle de données et de classification supervisée. Etre capable de présenter ses résultats de manière reproductible (rédaction de rapports) et utiliser des logiciels professionnels dans le domaine de la science des données : R, RStudio, R Markdown, git.

Contenu de l'UE

Séries spatio-temporelles; Classification supervisées; Random Forest; Analyse discriminante linéaire; Régression non linéaire; Modèles de croissance; Courbe dose-réponse; Von Bertalanffy; Richards; Weibull; Gompertz; logiciels R, RStudio y compris R Markdown et Notebook, git.

Compétences préalables

Bases en science des données, en particulier, la gestion de projets d'analyse des données, l'importation et le remaniement des données, la visualisation à l'aide de graphiques et la rédaction de rapports reproductibles. Statistiques uni- et bivariées de base, y compris ANOVA, variance, covariance et correlation.

Types d'évaluations Q1 pour l'UE

  • Examen oral

Commentaire sur les évaluations Q1 de l'UE

Préparation d'une question théorique, ou sur base d'un jeu de données partiellement résolu pendant une 1/2h. Ensuite, discussion autour du problème posé (explication de la méthode, que faire ensuite, autres méthodes utilisables sur de telles données, etc.)

Types d'évaluation Q3 pour l'UE

  • Examen oral

Commentaire sur les évaluations Q3 de l'UE

Préparation d'une question théorique, ou sur base d'un jeu de données partiellement résolu pendant une 1/2h. Ensuite, discussion autour du problème posé (explication de la méthode, que faire ensuite, autres méthodes utilisables sur de telles données, etc.)

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

  • Examen oral
  • Néant

Commentaire sur les évaluations rattr. Q1 de l'UE

Pas applicable.

Types d'activités

AATypes d'activités
S-INFO-032
  • Cours magistraux
  • Conférences
  • Préparations, travaux, recherches d'information

Mode d'enseignement

AAMode d'enseignement
S-INFO-032
  • Face à face
  • Mixte

Supports principaux

AA
S-INFO-032

Supports principaux non reproductibles

AASupports principaux non reproductibles
S-INFO-032Sans objet

Supports complémentaires

AA
S-INFO-032

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
S-INFO-032Sans objet.

Autres références conseillées

AAAutres références conseillées
S-INFO-032Barnier, J., 2018. Introduction à R et au tidyverse (https://juba.github.io/tidyverse/index.html). Ismay, Ch. & Kim A.Y, 2018. Moderndive: An introduction to statistical and data science via R (http://moderndive.com). Wickham, H. & Grolemund, G, 2017. R for data science (http://r4ds.had.co.nz). Zar, J.H., 2010. Biostatistical analysis (5th ed.). Pearson Education, London. 944pp. Dagnelie, P., 2007. Statistique théorique et appliquée, Volumes I et II (2ème ed.). De Boeck & Larcier, Bruxelles. 511pp (vol. I) 734pp (vol. II). Venables W.N. & B.D. Ripley, 2002. Modern applied statistics with S-PLUS (4th ed.). Springer, New York, 495 pp. Legendre, P. & L. Legendre, 1998. Numerical ecology (2nd ed.). Springer Verlag, New York. 587 pp.

Reports des notes d'AA d'une année à l'autre

AAReports des notes d'AA d'une année à l'autre
S-INFO-032Autorisé
(*) 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