Programme d’études 2019-2020English
Analyse des données statistiques
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 prévues pour la fin du Q3

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-M1-SCMATH-042-MUE optionnelleSIEBERT XavierF151 - Mathématique et Recherche opérationnelle
  • PIRLOT Marc
  • SIEBERT Xavier

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Français
Français30600044.001er quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-MARO-014Data Mining306000Q1100.00%

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

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

Mode d'enseignement

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

Supports principaux

AA
I-MARO-014

Supports principaux non reproductibles

AASupports 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

AASupport complémentaires non reproductibles
I-MARO-014syllabus de théorie et exercices pratiques

Autres références conseillées

AAAutres références conseillées
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-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 : 13/07/2020
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be