Introduction au Big Data et au Machine Learning

• Contribution au profil d'enseignement

• Analyser une situation suivant une méthode de recherche scientifique

  Identifier, traiter et synthétiser les données pertinentes Transposer les résultats des concepts à la problématique ou situation traitée Argumenter les choix proposés

  Agir de façon réflexive et autonome, en équipe, en partenariat

  Actualiser ses connaissances et compétences

  Utiliser des procédures et des outils

  Effectuer des tests, des contrôles et des mesures

• Acquis d'apprentissage spécifiques sanctionnés par l'évaluation

utiliser la techniques inférentielle statistique adéquate pour analyser la dépendance/l'indépendance de données.

fournir les éléments d'aide à la décision sur base des données opérationnelles dont il dispose.

Etude et maîtrise du calcul matriciel et de l’algèbre linéaire en vue de l’apprentissage du machine learning et de l’analyse de données

Etude et maîtrise de l'analyse mathématique en vue de l'apprentissage du traitement du signal et du machine learning

• Objectifs

• Partie de fiche comprenant des problèmes syntaxiques

• Contenus

• Texte trop volumineux pour être consulté

• Méthodes d'enseignement et d'apprentissage

• Cours ex-cathedra

• Evaluation

• Statistique

  Examen Ecrit

  Mathématiques

  Examen Ecrit

• Langue(s) de l'unité d'enseignement

• Français

• Supports de cours au format papier

• Claude Vilvens,	"Data mining dans l'environnement R : tests fondamentaux et avancés "
  Wagner Jean-Marc,	"Eléments d'algèbre linéaire "
  Wagner Jean-Marc,	"Eléments d'analyse mathématique "
  Vilvens Claude,	"Eléments et techniques statistiques de Data mining pour le Big date "
  Vilvens Claude,	"Une introduction au langage Python dans le contexte du Data mining et du Big data "

• Autres supports de cours

• Aucun autre support défini