Crédits ECTS
10
Volume horaire
67 h
Programme d'études
| Programme | Bloc | Caractère |
|---|---|---|
| IE-Bachelier de spécialisation en business data analysis | 1 | Obligatoire |
Prérequis
Co-requis
Implantation
Département économique de Namur
Directeur de département du domaine
Benoît Dujardin
Responsable de l'UE
Justine HERMANS
Enseignants intervenants
L'unité d'enseignement fait partie du programme, B1.
Elle contribue au profil d'enseignement du Bachelier de spécialisation en Business Data Analysis.
Acquis d’apprentissage spécifiques de cette UE
Pour atteindre le seuil de réussite, face à au moins une situation se prêtant à la mise en œuvre de méthodes de traitement de données opérationnelles par l’outil statistique, l’étudiant sera capable de :
• formuler des hypothèses nulles et alternatives et les tester en recourant à des techniques appropriées ;
• interpréter les résultats de ces tests d’hypothèses et en déduire leurs conséquences ;
• déterminer au moins une méthode appropriée d’analyse statistique en fonction de la problématique à analyser (multi-variée) ;
• déterminer et appliquer, à l’aide des outils informatiques appropriés et disponibles, les principales techniques descriptives et prédictives du Data Mining en justifiant les choix.
Document annexe à la fiche UE accessible via un lien explicitant en quoi le programme d’études s’inscrit dans une politique de développement durable. Une ou plusieurs UE spécifique(s) pourraient être ciblée(s) dans cette annexe.
Cette unité d'enseignement vise à permettre à l’étudiant :
¨ de s’approprier des connaissances générales en Data Mining en vue de traiter des données économiques, financières, commerciales…;
¨ de développer son sens critique dans l’interprétation de résultats obtenus lors de l’application de différentes méthodes d’analyses statistiques sur divers types de données ;
¨ d’utiliser des ressources logicielles existantes permettant le traitement statistique de données pour décrire des interrelations entre des variables choisies et les illustrer graphiquement ;
¨ développer des modèles descriptifs et prédictifs d’analyse.
Statistiques inférentielles : notions de base (probabilités, variables aléatoires, ...), statistiques descriptives, estimateurs de moyenne, de proportion et de variance
• Principaux tests d’hypothèses (Normal, t-test, chi-carré, ANOVA, ...)
• Manipulation du logiciel R tout au long des séances de cours
Data mining : introduction aux data, statistiques descriptives et bases de Python
• Introduction à l’apprentissage supervisé et non supervisé
• Techniques non supervisées : clustering, métriques de distances, réduction de dimension (ACP), standardisation, ...
• Techniques supervisées : régressions, arbre de décision, random forest, KNN, SVM, cross validation, ...
Statistiques inférentielles : Dekking et al., A Modern Introduction to Probability and Statistics ; Wackerly, Mendenhall & Scheaffer, Mathematical Statistics with Applications ; Sheldon M. Ross, Introduction to Probability and Statistics for Engineers and Scientists.
Data mining : V. Kotu & B. Deshpande, Data Science - Concepts and Practice, 2nd ed., 2018.
| Activité d'apprentissage | Support |
|---|---|
| ABIN1001A — Statistiques inférentielles | Slides du cours sur Moodle. |
| ABIN1001B — Data mining | Slides du cours sur Moodle. |
| Activité d'apprentissage | Heures | Langue d'enseignement | Langue d'évaluation |
|---|---|---|---|
| ABIN1001A — Statistiques inférentielles | 29 h | Français | Français |
| ABIN1001B — Data mining | 38 h | Français | Français |
| Activité d'apprentissage | Méthodes d'enseignement et d'apprentissage |
|---|---|
| ABIN1001A — Statistiques inférentielles | Cours théorique et séances d’exercices. Les exercices sont réalisés en cours mais peuvent faire l’objet de préparation en dehors du cours. Une séance asynchrone est prévue afin de laisser du temps aux étudiants pour travailler sur leur projet. |
| ABIN1001B — Data mining | Les concepts sont vus durant le cours et des exercices sont réalisés en classe et à domicile. La prise en main des outils informatiques a lieu en classe et à domicile. |
Les deux activités d’apprentissage de l’UE « Statistiques & data mining » contribuent à un objectif commun : choisir et appliquer des méthodes d’analyse adaptées à une problématique, justifier ses choix et interpréter les résultats avec un regard critique.
L’activité « Statistiques inférentielles » développe les bases du raisonnement statistique : probabilités, estimation, formulation et test d’hypothèses. Elle apprend à l’étudiant à tirer des conclusions à partir de données en tenant compte des conditions d’application des méthodes et de l’incertitude des résultats.
L’activité « Data mining », s’appuie sur ces bases et élargit l’analyse aux techniques d’apprentissage supervisé et non supervisé. Elle permet d’explorer les données, d’identifier des structures ou des regroupements et de construire et d’évaluer des modèles descriptifs et prédictifs.
Les deux activités se complètent ainsi dans le développement d’une démarche rigoureuse d’analyse des données. Bien que les évaluations soient distinctes, elles concourent aux acquis d’apprentissage communs de l’UE, notamment le choix raisonné des méthodes, leur mise en œuvre et l’interprétation argumentée des résultats.
Évaluation intégrée : non.
L'UE comporte deux activités d’apprentissage : Statistiques inférentielles (4,5 crédits, 29 h, pondération 45 %) et Data mining (5,5 crédits, 38 h, pondération 55 %). L’évaluation n’est pas intégrée.
La note finale résulte des deux activités d’apprentissage selon leur pondération respective : Statistiques inférentielles 45 % et Data mining 55 %. Pour chaque activité, l’ensemble des épreuves forme la note globale; la non-participation à une épreuve entraîne immédiatement la non-réussite de l’activité.
Au sein du programme d'études, lors du calcul de la moyenne, la pondération de l'évaluation de l'unité d'enseignement est effectuée sur base des crédits affectés à cette unité d'enseignement et évalués
| Activité d'apprentissage | Modalités d'évaluation |
|---|---|
| ABIN1001A — Statistiques inférentielles | Q1 : projet individuel avec rapport écrit et présentation orale devant la classe, réponses aux questions en lien avec le cours et participation aux débats sur les travaux des autres étudiants — 100 %. Deuxième session : mêmes modalités — 100 %. La non-participation à une épreuve entraîne immédiatement la non-réussite de l’activité. Langue d'évaluation : français. |
| ABIN1001B — Data mining | Q2 : projet individuel avec rapport écrit et présentation orale devant la classe, réponses aux questions en lien avec le cours et participation aux débats sur les travaux des autres étudiants — 100 %. Deuxième session : mêmes modalités — 100 %. La non-participation à une épreuve entraîne immédiatement la non-réussite de l’activité. Langue d'évaluation : français. |
Une mention sur la fiche informera les étudiants du fait que les précisions sur les épreuves seront disponibles sur Moodle au plus tard 6 semaines avant l'évaluation.