Section:
Informatique de gestion
Codification:
BIN32
Data Science and Business Intelligence
Enseignants:
Christine CHARLIER

Volume horaire:
50
Pondération:
80
Activité obligatoiore:
Oui
Année académique:
2018-2019

Place de l'activité d'apprentissage dans le programme
Articulation avec d'autres activités d'apprentissage
  • Activités d'apprentissage supports + acquis d'apprentissage préalables requis

    Les acquis des cours de conception de base de données et de leur exploitation avec le langage SQL (Bloc 2)
    Les acquis du cours de mathématiques et statistiques II (IG211)

  • Activités d'apprentissage complémentaires

    Bloc 2 :
    - Langage d'exploitation de bases de données
    - Analyse du processus métier

    Bloc 3 :
    - Bases de données avancées et applications Web

Acquis d'apprentissage spécifiques sanctionnés par l'évaluation

L'étudiant sera capable au terme de l'activité d'apprentissage de
- Présenter les concepts clés de la Business Intelligence
- Concevoir et créer un DataMart à partir d'une base de données de production simple en fonction d'informations clés précisées
- Concevoir et mettre en oeuvre un Cube comme base d'interrogation efficace sur les informations clés, permettant le suivi des objectifs de performance fixés
- Réaliser un rapport sur base d'un cube avec un outil de visualisation ou de reporting
- Réaliser un rapport faisant ressortir l'information contenue dans un grand fichier de données
- Utiliser à bon escient le vocabulaire des data sciences
- Choisir judicieusement la marche à suivre et/ou l'algorithme le(la) plus approprié(e) à une situation donnée
- Se positionner en tant que citoyen vis-à-vis de ces techniques
- Expliquer (dans le détail, en référence à la théorie) et interpréter les différents paramètres d'un modèle (régressions - analyse en composantes principales - clustering ou autre) générés par un logiciel
- Implémenter un algorithme de machine learning (IA) vu au cours (établir le DA - coder clean code - réaliser les tests)
- Comparer des modèles proposés pour une problématique donnée
- S'exprimer avec précision et rigueur

Contenu

Partie 1 :
Introduction : La démarche Business Intelligence (BI) :
La démarche BI dans le contexte de SQL Server : Integration Services, Analysis Services, Reporting Services
Le chemin depuis les données opérationnelles (OLTP) juqu'aux DataWareHouses/ DataMarts (DW/DM)
- La démarche ETL
- Conception Star Schema versus conception Snowflake schema
- Etude de cas : AdventureWorks OLTP DB versus AdventureWorks DW DB
- Exemple de mise en oeuvre avec SSIS
Conception d'un Cube :
- DataSource et DataSourceView
- Conception de dimensions (Création et gestion des attributs et des hiérarchies)
- Conception de cube
- Conception d'indicateurs simples, d'indicateurs calculés avec le langage MDX
- Implémentation des indicateurs en lien avec les dimensions dans le Cube
- Conception et implémentation d'un KPI
- Exploration d'un cube à l'intérieur d'un projet Analysis Services
Reporting sur base d'un cube avec Ms Excell

Partie 2 (en fonction du temps) : cours théorique
- présentation générale des data sciences et du vocabulaire utilisé
- présentation des algorithmes d'machine learning (intelligence artificielle) les plus courants et leur utilité
Partie 2 (en fonction du temps) : cours pratiques sur base de travaux
Fouille de données
Régression simple et multiple

Partie 1: Présentation de la démarche ex cathedra sur base d'un document pdf mis à disposition des étudiants pour prise de notes et aide-mémoire. Séances d'exercices progressifs pour lesquels viennent en appui des documents, exemples et tutoriaux sur des techniques particulières. Application pratique par groupe à un cas d'utilisation simple analysé par ailleurs dans le cours de techniques avancées de base de données. Partie 2 : Cours théoriques (présentation de travaux + ex cathédra) (5h) Séances d'exercices (sur ordinateur) en petits groupes. Au travers des travaux proposés, les étudiants apprennent à générer leurs résultats statistiques, à en comprendre et interpréter le sens.
Méthodes d'enseignement-apprentissage mises en oeuvre

Partie 1:
Présentation de la démarche ex cathedra sur base d'un document pdf mis à disposition des étudiants pour prise de notes et aide-mémoire.
Séances d'exercices progressifs pour lesquels viennent en appui des documents, exemples et tutoriaux sur des techniques particulières.
Application pratique par groupe à un cas d'utilisation simple analysé par ailleurs dans le cours de techniques avancées de base de données.
Partie 2 :
Cours théoriques (présentation de travaux + ex cathédra) (5h)
Séances d'exercices (sur ordinateur) en petits groupes. Au travers des travaux proposés, les étudiants apprennent à générer leurs résultats statistiques, à en comprendre et interpréter le sens.

Modalités d'évaluation de l'activité d'apprentissagee
Septembre - JanvierSeconde Session
InterrosPartie 2 : un ou plusieurs travaux défendus oralement ainsi que des interrogations.
Pondération : 15%
ExamensPartie 1: Examen oral individuel: 50%. Défense d'un dossier créé en groupe durant le quadrimestre et questions théoriques. Partie 2 : Examen écrit pour 35%.
Pondération : 85%
Partie 1: Examen oral individuel: 50%. Défense d'un dossier créé en groupe durant la seconde session et questions théoriques. Partie 2 : 50% Examen écrit.
Pondération : 100%

Pondération en % par rapport au total de l’activité d’apprentissage ou de l’UE si l’évaluation est intégrée.

Description éventuelle

    Attention : si l'étudiant obtient une note finale inférieure à 9/20 dans une des deux parties décrites ci-dessus, il ne pourra pas valider son ue et se verra octroyer la plus basse des deux notes. Ainsi, par exemple, si l'étudiant obtient 13/20 pour la partie 1 et 7/20 pour la partie 2, l'ue sera non acquise et la note finale sera 7/20.

Ressources
Sources et référence

    "Initiation à la statistique avec R" de Myriam Maumy et Frédéric Bertrand Editions Dunod
    "Exploration des données – Méthodes et modèles du data mining " Daniel T. Larose.
    http://spss.espaceweb.usherbrooke.ca/pages/stat-inferentielles/regression-simple.php
    site de Frédéric Bertrand, maître de conférences, université de Strasbourg (+ Myriam Maumy)

 Retour