Code
MGFE MIS 5209
Niveau
M2
Discipline
Systèmes d’information
Langue
Anglais/English
Crédits ECTS
4
Heures programmées
30
Charge totale étudiant
60
Coordonnateur(s)
Département
- Data analytics, Économie et Finances
- Technologies, Information et Management
Equipe pédagogique
Introduction au module
This module offers an introduction to data analytics, artificial intelligence (AI), and machine learning (ML). The first part, dedicated to Data Analytics, enables students to master industry-standard tools (Python, Jupyter, Google Colaboratory) to conduct exploratory data analysis (EDA) and data visualization, statistical testing, and modeling (regressions, PCA, Clustering). The course then extends to Machine Learning and AI, where students explore various predictive models and learning algorithms to address diverse challenges, while also discussing the broader implications of artificial intelligence. This comprehensive approach transforms complex data into strategic decision-making levers.
Bloc de compétences
- 6. Concevoir et/ou piloter des solutions de gestion innovantes en veillant à garantir une création de valeur soutenable pour toutes les parties prenantes
Compétences du bloc
- 6.2 - Optimiser l'usage d'outils adaptés aux différents domaines de gestion, et définir et interpréter les KPI pertinents, afin de mesurer et garantir une création de valeur durable et soutenable pour toutes les parties prenantes.
Objectifs d'apprentissage du cours
At the end of this course, the students will be able to:
- Analyze economic data using exploratory data analysis, regression models, multivariate techniques, and machine learning methods.
- Interpret the results of statistical and machine learning analyses.
- Communicate analytical findings effectively to technical and non-technical audiences.
Contenu : structure du module et agenda
1. Tools for Data Science
- Python, Jupyter, and Google Colab
2. Data Analysis
- Exploratory Data Analysis (EDA)
3. Statistical Foundations
- Statistical hypotheses and tests
4. Introduction to AI and Machine Learning
- Core concepts and applications
- Social and economic impact of AI
5. Supervised Learning
- Linear regression
- Logistic regression
6. Unsupervised Learning
- Cluster analysis
- Principal Component Analysis
Contribution à l'atteinte des ODD (Objets du Développement Durable)
SDG 4: Quality Education
The module contributes to this goal by providing students with essential technical and analytical skills in the field of Artificial Intelligence and Data Science. By mastering tools such as Python and machine learning, students develop high-level digital literacy that is indispensable for their professional integration and for meeting the challenges of the modern economy, thus promoting high-quality, relevant education.
Nombre d'ODD abordés parmi les 17
1
Apprentissage
synchrone
Méthode pédagogique
Lectures followed by in-class practical sessions
Système de notation et modalités de rattrapage
Examen écrit : 50 % (examen sur table)
Projet : 50 % (évaluation du travail de groupe : 80 %, évaluation de la contribution individuelle : 20 %)
CF2 : 100% examen écrit sur table
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 Edusign 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
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning (2nd ed.). Springer.
Mots-clés
Data science, Digital workplace, AI, Machine learning
Prérequis
Basic knowledge of Python