Descriptif
Ce module s’articulera autour de cinq points clés pour tout projet d’analyse de données :
- Familiarisation “quick and dirty” et nettoyage d’un jeu de données
- Découverte des différentes méthodes d’apprentissage automatique
- Mise en pratique de l’analyse de séries temporelles
- Restitution des résultats sous forme de visualisations adaptées
- Sensibilisation aux enjeux éthiques, sociétaux et environnementaux liés à l’analyse de jeux de données
Compétences travaillées
Bloc 1 : Concevoir pour l'industrie et les services, des produits, procédés et processus respectueux d'un avenir durable
1.1 : Définir les besoins et rédiger un cahier des charges
1.4 : Simuler avec des outils numériques
1.8 : Mobiliser des informations validées
1.9 : Agir avec responsabilité environnementale et sociétale
Bloc 2 : Organiser la production dans un environnement en évolution avec une responsabilité individuelle et collective
2.4 : Acquérir et exploiter les données de production et d'exploitation
2.9 : Agir avec responsabilité environnementale et sociétale
Bloc 3 : Améliorer pour l'industrie et les services, les performances d'un produit, procédé et processus pour anticiper et accompagner les changements induits par les transition
3.1 : Analyser les performances d'un produit, procédé, processus
3.2 : Exploiter des données numériques
Objectifs pédagogiques
A la fin de ce module, les élèves seront capables de :
- Préparer et nettoyer un jeu de données en vue d’une analyse
- Choisir les méthodes d’analyse (statistiques ou par apprentissage) ; adaptées aux données et aux objectifs de l’analyse ;
- Restituer l’analyse sous forme de visualisations adaptées ;
- Mener un projet d’analyse de données avec ses parties prenantes et ses jalons.
- Travail en autonomie planifié et encadré : 7
- Evaluation des connaissances et capacités : DS, QCM : 2
Diplôme(s) concerné(s)
UE de rattachement
- UE-IFIA2-S2-TI : Techniques de l'ingénieur
Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
Il est nécessaire de maîtriser les modules suivants avant de commencer le module d'Analyse de Données :
- Statistiques pour l'ingénieur (MOD-IFIA1-S2-Stat) : https://campus.mines-albi.fr/enrol/index.php?id=102
- Algorithmique et programmation (MOD-IFIA1-S2-AlgoProg) : https://campus.mines-albi.fr/course/view.php?id=100
- Modélisation d'entreprise (MOD-IFIA1-S1-ModelEntrep) : https://campus.mines-albi.fr/course/view.php?id=81
Format des notes
Numérique sur 20Pour les élèves du diplômeDiplôme d'Ingénieur IMT Mines Albi
Vos modalités d'acquisition :
Modification de l’évaluation afin de s’adapter à l’impact de l’IA
générative sur les processus de méta-cognition dans la discipline
« informatique » :
- Le projet devient une évaluation formative. Il n’y a plus
de soutenance orale. Il reste les livrables suivants : code, rapport.
- L’évaluation sommative consiste désormais en un
examen individuel écrit de 2h00 (sur table), sans
documents (sous quelque forme ou nature que ce soit).
Il portera sur des aspects théoriques et pratiques.
- Modalités de rattrapage : examen individuel écrit de 2h00
(sur table), sans documents (sous quelque forme ou
nature que ce soit).
D’un point de vue logistique : prévoir entre 5 et 10 jours ouvrés
entre la date de rendu du projet (qui intervient J+5 jours ouvrés
après la dernière séance de projet) et la date de l’examen
individuel, pour que les enseignant.e.s puissent prendre
connaissance des projets et rendre un avis aux étudiant.e.s avant
l’examen final.
A noter que dans le cadre de l’évaluation individuelle, il sera
demandé d’écrire au stylo bille (non effaçable par friction ou apport
de chaleur) de couleur noire ou bleue foncée. Ceci est
nécessaire pour assurer le bon fonctionnement du logiciel AMC
(pour corriger automatiquement les questions fermées contenues
dans l’examen).
Besoin de 1 PC (sous Windows ou Ubuntu, peu importe) par
binôme d’étudiant.e.s.
- Les PCs doivent permettre d’utiliser MS Excel (ou son
équivalent libre) pour l’étude de séries temporelles, ainsi que
d’exécuter du code Python avec les libraries Pandas et
SciKitLearn pour l’entraînement de modèles de classification et
de clustering sur des datasets de 10 Go environ.
- Nécessité d’une configuration unifiée afin de garantir l’équité
entre étudiant.e.s en termes de puissance et de temps de
calcul.
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
Le coefficient de l'enseignement est : 1
Programme détaillé
Voir le programme complet et le séquencement sur https://campus.mines-albi.fr/course/view.php?id=156
Programme en 50 heures environ (21h planifiées + 7h à distance + 2h évaluation + 20h min de travail personnel de l’élève)