% INF5081 — Gestion et analyse de données
% UQAM — Département d'informatique
% Plan de cours — Été 2023

* Horaires, locaux et enseignants: <https://etudier.uqam.ca/cours?sigle=INF5081>


Responsable(s) du cours
=======================

Coordination
------------

Bouguessa, Mohamed
PK-4915
<bouguessa.mohamed@uqam.ca>
<https://sites.google.com/site/mohamedbouguessa/>

Enseignement
-------------
, 
Groupes: 020

Description du cours
====================

Objectifs
---------

Développer une capacité d'analyse des besoins en gestion de données en
fonction du contexte d'application. Être en mesure de justifier l'usage
et de mettre en oeuvre une méthode avancées de gestion des données.

Sommaire du contenu
-------------------

Présentation et comparaison des différentes méthodes de gestion et
d'analyse de données. Les entrepôts de données. Extraction de
connaissances et forage de données. Prétraitement et préparation des
données, apprentissage automatique et algorithmes d'exploitation de
données prédictives (apprentissage supervisé) et descriptives
(apprentissage non supervisé), données transactionnelles et recherche de
règles d'associations.

Préalables académiques
----------------------

-   INF3080 - Bases de données
-   INF3105 - Structures de données et algorithmes

Cours en présentiel
===================

**Enseignement en présentiel.**

Les étudiant.e.s doivent consulter régulièrement le site Moodle du
cours, moyen de communication du professeur avec le groupe-cours. Les
annonces officielles seront publiées sur Moodle.

Le site web officiel du cours est sur Moodle, il contient le matériel du
cours(diapositives, énoncés des travaux, etc.) et servira pour la remise
des travaux et examens.

Contenu du cours
================

**Partie 1 : Apprentissage automatique (Forage de donnée prédictif)** -
Le forage de données et l'extraction des connaissances. - Algorithmes de
forage de données prédictive: apprentissage supervisé: - Arbre de
décision. - Forets d'arbres décisionnelles. - Classification bayésienne.
- Évaluation des algorithmes d'apprentissage supervisé. - Réseaux de
neurones. - Introduction à l'apprentissage profond. - Réseaux de
neurones à convolution

**Partie 2 : Apprentissage non supervisé(Forage de donnée descriptive)**
- L'analyse descriptive et le forage de données. - Données
transactionnelles et recherche d'associations: Algorithme APRIORI. -
Algorithmes de classification automatique non supervisé(clustering): -
K-means Clustering (algorithmeK-means). - Clustering hiérarchique
(approche agglomératives: lien unique, lien complet et lien moyen). -
Clustering basé sur la densité. - Segmentation des graphes.

**Partie 3 : Entrepôts de données** - Les architectures d'entrepôts de
données. - Modélisation multidimensionnelle et OLAP. - Extension SQL
pour OLAP.

Modalités d'évaluation
======================

  Description sommaire      Semaine    Pondération (%)
  ------------------------ --------- -----------------
  Examen mi-session            8                    25
  Examen final                15                    25
  Deux travaux pratiques                  50 (25 + 25)

En cas de divergences avec l'entente d'évaluation, les modalités de
l'entente d'évaluation prévalent.

Remarques
=========

-   Les travaux pratiques peuvent être réalisés seul ou en équipe de
    deux personnes aux maximum.
-   L'étudiant-e doit obtenir une moyenne cumulée supérieure ou égale à
    50% aux examens, ainsi qu'une moyenne générale pondérée (TPs et
    examens) supérieure ou égale à 50% ; dans le cas contraire, il se
    verra attribuer un échec.
-   L'étudiant-e ne remettant aucun des travaux se verra attribuer un
    échec.
-   En cas de retard dans la remise des travaux, une pénalité de 10% (de
    la note du travail) par jour ouvrable sera appliquée. Un retard de
    plus d'une semaine (7 jours incluant les fins de semaines) ne sera
    pas accepté.

Médiagraphie
============

\[1\] Aurelien Geron. Machine Learning avec Scikit-Learn : Mise en
œuvreet cas concrets. Dunod, 2019. \[2\] J. Krohn, G. Beyleveld, A.
Bassens. Deep Learning Illustrated:AVisual, Interactive Guide to
Artificial Intelligence. Pearson's Addison-Wesley, 2019. \[3\] A.
Cornuéjols, L. Miclet, Y. Kodratov. Apprentissage artificiel: Concepts
et algorithmes (3è édition), Eyrolles, 2018. \[4\] P-N Tan, M.
Steinbach, V. Kumar. Introduction to Data Mining, Addison Wesley, 2006.
(Site web du livre :
http://www-users.cs.umn.edu/\~kumar/dmbook/index.php) \[5\] Tom M.
Mitchell. Machine Learning, McGraw Hill, 1997. (Site Web du livre :
http://www.cs.cmu.edu/\~tom/mlbook.html)