Code
MGYF QUA 5751
Discipline
Techniques quantitatives
Langue
Anglais/English
Crédits ECTS
2
Heures programmées
21
Coordonnateur(s)
Département
- Management, Marketing et Stratégie
Equipe pédagogique
Introduction au module
This course offers an introduction to data science and will cover many techniques of data analyses and machine learning commonly used in business. We will cover data visualization, predictive methods for classification and regression, as well as unsupervised methods such as clustering and other advanced machine learning techniques. We will apply these methods on datasets from different contexts, using the Python programming language as a tool. The important Python commands will be introduced at a practical level so that the students will be able to apply them. By interacting directly with the data, the students will explore the possibilities offered by the methods, evaluate their suitability, and interpret the results produced.
Objectifs d'apprentissage (compétences mères)
- 1.2 - Actionner les outils de l'intelligence digitale de manière efficiente, pour accompagner les transformations sociétale, numérique, énergétique et environnementale des organisations, en s'assurant de leur impact durable et responsable.
- 3.2 - Communiquer de manière efficace et pertinente, à des fins de formation, de transfert de connaissances, de compétences ou d'innovation, en français et dans au moins une langue étrangère, dont l'anglais, et dans un contexte global et multiculturel.
Traits de compétences
- Data manipulation (including SQL queries)
- Basic Python programming
- Exploratory Data Analysis
- Data visualization
- Prediction methods (classification, regression)
- Ethical considerations on prediction algorithms
Contenu : structure du module et agenda
6 sessions of 3.5 hours
Contribution à l'atteinte des ODD (Objets du Développement Durable)
ODD 4: We will emphasize the use of open-source software that are accessible to everyone.
ODD 5: We will discuss the dangers of using predictive algorithms that can sometimes exhibit biases, especially taking a real-world example affecting women. We will discuss potential solutions to improve these algorithms.
ODD 10: We will discuss the unequal treatments that can emerge from using biased predictive algorithms.
Nombre d'ODD abordés parmi les 17
3
Apprentissage
synchrone
Méthode pédagogique
The course will involve a mix of lectures and in-class applications involving basic programming on Jupyter notebooks. Datasets drawn from different settings will be analyzed. Throughout the course, the students will work on a group project focusing on a dataset of their choice. They will implement all the steps of a data analysis projection, including data extraction, visualization, and prediction; they will present their results during the last session.
Système de notation et modalités de rattrapage
The grading scheme is as follows:
Quizzes: 10%
Participation: 10%
Group project: 40%
Final exam: 40%
A written catch-up exam will be proposed.
Règlement du module
Communication Professeur-Apprenant
● Le professeur contactera les apprenants via leur adresse mail scolaire (IMT-BS/TSP) et le portail Moodle. Aucune communication via les adresses mails personnelles n’aura lieu. Il est de la responsabilité de l’étudiant de consulter régulièrement sa boîte mail IMT-BS/TSP.
● Les apprenants peuvent communiquer avec le professeur en envoyant un mail à son adresse institutionnelle. Au besoin, il est possible de le rencontrer dans son bureau durant les heures de bureau ou sur rendez-vous.
Apprenants avec des besoins d’accommodement
Si l’apprenant a un handicap qui empêche d’accomplir le travail décrit ou qui nécessite toute sorte d'accommodement, il est de sa responsabilité d’en informer le directeur des études (avec justificatifs) dès que possible. Aussi, l’apprenant ne doit pas hésiter à en discuter avec son professeur.
Comportement en classe
● En guise de courtoisie envers le professeur et les autres apprenants, tous les téléphones portables, jeux électroniques ou autres appareils générant du son doivent être désactivés pendant les cours.
● L’apprenant doit éviter out comportement perturbateur et irrespectueux tel que: arriver en retard en classe, partir tôt, comportement inconsidéré (ex. dormir, lire un document non lié au cours, utiliser un langage vulgaire, parler excessivement, manger, boire, etc.). Un avertissement peut être donné à la première infraction de ces règles. Les contrevenants seront pénalisés et pourront être expulsés de la classe et/ou subir d'autres procédures disciplinaires.
● Le retard toléré est de 5 minutes. La présence sera déclarée sur Moodle durant ces 5 minutes via un QR code fourni par le professeur à chaque démarrage de cours.
● L’apprenant doit arriver à l'heure pour les examens et autres évaluations. Personne ne sera autorisé à entrer en classe une fois que la première personne aura terminé l'examen et quitté la salle. Il n'y a absolument aucune exception à cette règle. Aucun apprenant ne peut continuer à passer un examen une fois le temps écoulé. Aucun apprenant ne peut quitter la salle pendant un examen à moins qu'il / elle ait terminé et ait remis tous les documents.
● En cas de cours à distance, l'apprenant doit maintenir sa caméra allumée sauf en cas d'indications contraires données par l'enseignant.
Code éthique
IMT-BS est engagée dans une politique d'honnêteté dans le milieu académique. Toute conduite compromettant cette politique peut entraîner des sanctions académiques et/ou disciplinaires. Les apprenants doivent s'abstenir de tricher, de mentir, de plagier et de voler. Ceci consiste à accomplir un travail original et à reconnaître toute autre personne dont les idées et les documents imprimés (y compris ceux provenant d’Internet) sont paraphrasés ou cités directement. Tout apprenant qui enfreint ou aide un autre élève à enfreindre les normes de comportement scolaire sera sanctionné conformément aux règles de l'IMT-BS.
Références obligatoires et lectures suggérées
suggested:
Statistics and Data Analysis: From Elementary to Intermediate
by Ajit Tamhane, Dorothy Dunlop
Mots-clés
Data analysis, data manipulation, data visualization, prediction
Prérequis
Basics of programming