 | Programme d’études 2018-2019 | English | |
 | Datawarehousing et datamining | ||
Unité d’enseignement du programme de Master en sciences informatiques à la Faculté des Sciences |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-M1-INFO60-005-M | UE optionnelle | WIJSEN Jef | S832 - Systèmes d'information |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 30 | 0 | 30 | 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-027 | Datawarehousing et datamining | 30 | 0 | 0 | 0 | 0 | Q2 | |
| S-INFO-888 | Travaux pratiques de datawarehousing et datamining | 0 | 0 | 30 | 0 | 0 | Q2 |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Réaliser des travaux de développement ou d'innovation en informatique
- -Pouvoir maîtriser la complexité d'un tel travail et tenir compte des objectifs et des contraintes qui le caractérisent
- 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 grand degré d'autonomie
- -Développer et intégrer un fort degré d'autonome pour pouvoir évoluer dans de nouveaux contextes
- Appliquer une méthodologie scientifique
- -Faire preuve de rigueur, d'autonomie, de créativité, d'honnêteté intellectuelle, de sens éthique et déontologique
Acquis d'apprentissage UE
Comprendre les enjeux et la technologie du data mining.
Contenu de l'UE
Les entrepôts de données
La qualité des données
Nettoyage et intégration des données
La classification
Les règles d'association
Le clustering
Compétences préalables
Sans objet
Types d'évaluations Q2 pour l'UE
- Présentation et/ou travaux
- Examen écrit
Commentaire sur les évaluations Q2 de l'UE
Le poids du travail personel peut varier entre 10% et 40% de la note finale, selon ce qui est le plus favorable à l'étudiant.
Types d'évaluation Q3 pour l'UE
- Présentation et/ou travaux
- Examen écrit
Commentaire sur les évaluations Q3 de l'UE
Le poids du travail personel peut varier entre 10% et 40% de la note finale, selon ce qui est le plus favorable à l'étudiant.
Types d'activités
| AA | Types d'activités |
|---|---|
| S-INFO-027 |
|
| S-INFO-888 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| S-INFO-027 |
|
| S-INFO-888 |
|
Supports principaux
| AA | |
|---|---|
| S-INFO-027 | |
| S-INFO-888 |
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| S-INFO-027 | Site Web avec des notes de cours, transparents et anciens examens. Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Introduction to Data Mining. Addison-Wesley 2005, ISBN 0-321-32136-7 (chapitres disponibles en ligne) Logiciel Weka |
| S-INFO-888 | Sans objet |
Supports complémentaires
| AA | |
|---|---|
| S-INFO-027 | |
| S-INFO-888 |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| S-INFO-027 | Sans objet |
| S-INFO-888 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| S-INFO-027 | Sans objet |
| S-INFO-888 | Sans objet |