Résumé de section
-
Le cours DSC 324 – Advanced Data Analysis vise à développer les compétences nécessaires à l’exploration, à la visualisation, à la réduction dimensionnelle et à l’analyse statistique avancée de grands ensembles de données, afin d’en extraire des informations pertinentes et de soutenir la prise de décision à l’aide de méthodes statistiques et de packages informatiques standards.
- À l’issue de ce cours, l’étudiant sera capable de :
- Comprendre les principes fondamentaux de l’analyse avancée de grands ensembles de données ;
- Visualiser et représenter efficacement des données multidimensionnelles ;
- Analyser des données comportant un grand nombre de variables ;
- Appliquer les techniques de réduction dimensionnelle, notamment l’analyse en composantes principales (PCA) ;
- Appliquer les principes de l’analyse factorielle pour identifier les dimensions sous-jacentes aux données ;
- Utiliser les techniques de clustering pour découvrir des groupes et des structures dans les données ;
- Appliquer les techniques de classification pour catégoriser des observations et soutenir la prise de décision ;
- Sélectionner une méthode statistique appropriée en fonction de la nature des données et du problème à résoudre ;
- Mettre en œuvre les méthodes d’analyse à l’aide de packages informatiques statistiques standards ;
- Interpréter les résultats statistiques et graphiques afin d’en extraire des informations pertinentes ;
- Utiliser les résultats des analyses pour contribuer à des processus de décision fondés sur les données.
-
Voir le syllabus
-
Voir le syllabus
-
Voir le syllabus
-
Voir le syllabus
-
Contenus :
- Introduction à l’analyse avancée des données ;
- Grands ensembles de données et données multidimensionnelles ;
- Types de variables et structures de données ;
- Exploration initiale des données ;
- Rôle de l’analyse statistique dans la découverte d’information.
Objectifs pédagogiques :
- Comprendre les fondements de l’analyse avancée des données ;
- Identifier les caractéristiques d’un ensemble de données ;
- Comprendre les enjeux liés aux données multidimensionnelles.
-
Contenus :
- Principes de visualisation statistique ;
- Représentation de données multidimensionnelles ;
- Comparaison de distributions ;
- Relations entre variables ;
- Identification des tendances et anomalies.
Objectifs pédagogiques :
- Choisir des visualisations adaptées ;
- Représenter efficacement des données complexes ;
- Interpréter les informations révélées par les visualisations
-
Contenus :
- Problématique de la dimensionnalité ;
- Principes de réduction dimensionnelle ;
- Introduction à la PCA ;
- Composantes principales ;
- Variance expliquée.
Objectifs pédagogiques :
- Comprendre le principe de la PCA ;
- Expliquer son intérêt pour les données multidimensionnelles ;
- Interpréter les premières composantes.
-
Contenus :
- Mise en œuvre de la PCA ;
- Sélection des composantes ;
- Contribution des variables ;
- Interprétation des résultats ;
- Visualisation des composantes.
Objectifs pédagogiques :
- Appliquer une PCA ;
- Interpréter les résultats ;
- Utiliser la réduction dimensionnelle pour simplifier l’analyse.
-
Contenus :
- Principes de l’analyse factorielle ;
- Facteurs et variables observées ;
- Dimensions latentes ;
- Interprétation des facteurs ;
- Comparaison PCA / analyse factorielle.
Objectifs pédagogiques :
- Comprendre les principes de l’analyse factorielle ;
- Identifier les facteurs sous-jacents ;
- Interpréter les relations entre variables et facteurs.
-
Contenus évalués :
- Fondements de l’analyse avancée des données ;
- Visualisation ;
- Données multidimensionnelles ;
- Réduction dimensionnelle ;
- PCA ;
- Analyse factorielle
-
Contenus :
- Principes du clustering ;
- Similarité et distance ;
- Identification de groupes ;
- Caractéristiques des clusters ;
- Découverte de structures dans les données.
Objectifs pédagogiques :
- Comprendre les principes du clustering ;
- Identifier des groupes dans un ensemble de données ;
- Interpréter les caractéristiques des groupes obtenus.
-
Contenus :
- Mise en œuvre du clustering ;
- Comparaison des groupes ;
- Interprétation des profils ;
- Evaluation de la pertinence des regroupements ;
- Applications sur de grands ensembles de données.
Objectifs pédagogiques :
- Appliquer des techniques de clustering ;
- Comparer différents regroupements ;
- Identifier les profils significatifs.
-
Contenus :
- Principes de classification ;
- Variables et catégories ;
- Distinction classification / clustering ;
- Mise en œuvre de méthodes de classification ;
- Interprétation des résultats.
Objectifs pédagogiques :
- Comprendre les principes de la classification ;
- Appliquer une méthode de classification ;
- Interpréter les catégories obtenues.
-
Contenus :
- Analyse des résultats de classification ;
- Qualité et pertinence des classifications ;
- Classification dans les processus de décision ;
- Interprétation des prédictions ;
- Etudes de cas.
Objectifs pédagogiques :
- Évaluer la pertinence des résultats ;
- Interpréter les classifications ;
- Utiliser les résultats pour soutenir une décision.
-
Contenus :
- Exploration et visualisation ;
- PCA et analyse factorielle ;
- Clustering ;
- Classification ;
- Sélection d’une méthode adaptée ;
- Démarche complète d’analyse de données ;
- Synthèse et interprétation des résultats.
Objectifs pédagogiques :
- Construire une démarche complète d’analyse ;
- Sélectionner les méthodes appropriées ;
- Intégrer plusieurs techniques ;
- Formuler des conclusions fondées sur les données.
-
Contenus évalués :
- Clustering ;
- Classification ;
- Interprétation des résultats ;
- Mise en œuvre informatique ;
- Sélection des méthodes ;
- Intégration des différentes techniques ;
- Analyse globale d’un problème de données