Data analytics - data mining

- Conçoit, gère (administre) et utilise des bases de données à des fins opérationnelles et décisionnelles (AAT9)
- Rédige des rapports documentés sur les applications qu’il crée et présente oralement ses démarches informatiques, et ce, éventuellement en anglais (AAT11)
- Exploite des données en provenance du système d’informations de l’entreprise, des réseaux sociaux, des objets connectés ou toute autre source de données via des technologies issues de la data intelligence en vue d'aider l’entreprise à la décision (AAT12)

Au terme de l'unité d'enseignement, l'étudiant sera capable de :

 - En disposant d’un ensemble de données :
   - d’identifier les données pertinentes, de les extraire, de les récupérer, de les transformer et de les stocker (ETL) ;
   - de mettre en œuvre de l’apprentissage non supervisé et interpréter les résultats ;
   - de réaliser une présentation des résultats en utilisant des indicateurs pertinents ;
   - de justifier les choix effectués.  

 - En disposant d’une documentation adéquate, face à une problématique professionnelle liée à la gouvernance et à la politique d’accès aux données au sein d’une équipe pluridisciplinaire, en faisant valoir son expertise quant aux enjeux de la sécurité de l’information, en respectant les prescrits du développement durable, du green IT,
  - de lister les utilités principales du data mining (classer, estimer, segmenter, associer, prévoir …) ;
  - d’identifier les données pertinentes, de les extraire et de les récupérer, de les transformer et de les stocker (ETL, SQL, Business Intelligence, modélisation dimensionelle (Kimball), tables de faits, tables de dimensions, historiation (slow changing dimension)) 
  - de s’assurer de la qualité des données aussi bien d’un point de vue technique (cohérence, complétion, actualisation, …) qu’éthique ;
  - de présenter un tableau de bord des données.
  - d’analyser de façon descriptive les données (requêtes analytiques en SQL) ;
  - d’expliquer et mettre en œuvre l’apprentissage non supervisé et en interpréter les résultats :
    - réduction de dimensionnalités (ACP, tSNE, Analyse Factorielle, analyse de correspondances, …)
    - clustering : clustering hiérarchique, centroid based clustering (k-means, k-means++, …), density based clustering, ...
    - détection d'anomalies
    - graph mining
    - text mining
  - d’expliquer la visualisation de données :types de graphiques, les bonnes pratiques liées à la visualisation de données et tableaux de bord.

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.