Master universitaire en ligne en Big Data pour les entreprises

Objectifs

L'objectif de ce cours est de doter l'étudiant de connaissances avancées lui permettant de concevoir des algorithmes de recherche et de tri de données, ainsi que des méthodologies pour l'acquisition, la préparation, le traitement, la transformation et l'intégration des données. De même, l'étudiant ayant validé ce cours sera en mesure de développer des applications avancées pour le Big Data à l'aide de bases de données NoSQL.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CB6

Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7

Que les étudiants sachent appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8

Que les étudiants soient capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9

Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10

Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG1 Définir la feuille de route pour l’adoption, au sein d’une organisation, des technologies de traitement de grands volumes de données afin d’en faciliter l’accès, le partage et la gestion de leur contenu.

CG2 Communiquer ses arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que ses résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG5 Maîtriser en profondeur les défis actuels dans des domaines tels que l’acquisition et le traitement des données, la gestion des données, le traitement distribué et la haute disponibilité, afin de concevoir des solutions avancées d’analyse de mégadonnées capables de les résoudre dans des environnements professionnels hautement spécialisés.

CG6 Maîtriser les composants technologiques des plateformes de traitement de bout en bout de grands volumes de données afin de définir des solutions qui améliorent la gestion, l’intégration, le traitement et les tâches analytiques des données.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message à partir de l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT3 Esprit d’analyse : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CE1 Effectuer des extractions et des manipulations complexes de grands volumes de données non structurées afin de les transformer et de les convertir dans un format compatible avec les solutions de stockage et de visualisation des données.

CE2 Concevoir des algorithmes avancés de résolution de problèmes liés au traitement de grands volumes de données à l’aide de langages de programmation spécifiques à la science des données, afin de mettre en œuvre des solutions numériques sur une plateforme Big Data.

CE3 Concevoir des modèles de données flexibles et traçables pour stocker les entités et les attributs des informations gérées par des solutions numériques avancées de traitement de grands volumes de données.

Résultats d’apprentissage

RA-1. Maîtrise l’application spécifique des méthodologies agiles pour diriger des projets de traitement et d’interprétation des données.

RA-2. Concevoir des architectures d’information avancées basées sur des technologies spécifiques à la gestion de grands volumes de données.

RA-3. Met en place des processus de préparation et de transformation des données en appliquant des algorithmes afin de créer des modèles évolutifs et fiables de découverte de connaissances

RA-4. Configure des bases de données NoSQL afin de les adapter à différents scénarios d’exécution impliquant le traitement de grands volumes de données.

Description du contenu

• Conception et efficacité des algorithmes de recherche et de tri des données

• Méthodologies d’acquisition et de préparation des données

• Méthodologies de traitement, de transformation et d’intégration des données

• Caractéristiques des bases de données NoSQL et leurs principaux types

• Développement d’applications avancées pour le Big Data avec des bases de données NoSQL.

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires en ligne

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6. – Évaluations des connaissances

AV10.- Résolution de problèmes

AV11.- Élaboration de projets

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 40 % de la note

SE2.- Épreuves finales de connaissances : 60 % de la note

Bibliographie

Bibliographie de base :

1.- Alan Beaulieau

Learning SQL : Generate, Manipulate, and Retrieve Data (3e éd.)

O’Reilly. 2020.

ISBN : 9781492057611

2.- Alex Gorelik

The Enterprise Big Data Lake : Tenir les promesses du Big Data et de la science des données

O’Reilly. 2019.

ISBN : 9781491931554

3.- Alex Petrov

Database Internals : une analyse approfondie du fonctionnement des systèmes de données distribués

O’Reilly. 2019.

ISBN : 9781492040347

4.- Ralph Kimball, Margy Ross

The Data Warehouse Toolkit : le guide définitif de la modélisation dimensionnelle, 3e édition

Wiley. 2013.

ISBN : 9788126544271

5.- Wes Mckinney

Python for Data Analysis : Data Wrangling with pandas, NumPy, and Jupyter (3e éd.)

3e éd. O’Reilly. 2022.

ISBN : 9781098104030

Objectifs

L'objectif de ce cours est de doter l'étudiant de connaissances avancées sur les modèles linéaires et les méthodes d'optimisation stochastique indispensables à l'entraînement des systèmes d'apprentissage automatique, ce qui lui permettra de définir des architectures d'apprentissage automatique à l'aide des bibliothèques open source spécialisées TensorFlow et Keras. De plus, il sera capable d’analyser et d’interpréter les données afin de détecter et de résoudre les problèmes liés aux données, tels que les incohérences, les niveaux élevés de bruit, les erreurs et d’autres problèmes comme les fuites, en maîtrisant les méthodologies d’apprentissage automatique pour obtenir des solutions.

Prérequis

Il n’y a pas de prérequis.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG1 Définir la feuille de route pour l’adoption, au sein d’une organisation, des technologies de traitement de grands volumes de données afin d’en faciliter l’accès, le partage et la gestion du contenu.

CG2 Communiquer ses arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que ses résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine des mégadonnées afin de garantir un comportement approprié vis-à-vis des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques utilisés dans le domaine de l’analyse de mégadonnées répondent aux exigences de l’organisation.

CG6 Maîtriser les composants technologiques des plateformes de traitement de bout en bout de grands volumes de données afin de définir des solutions qui améliorent la gestion, l’intégration, le traitement et les tâches analytiques des données.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message à partir de l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit d’analyse : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT5 Leadership éthique : Être capable de motiver, d’influencer et de diriger d’autres personnes en favorisant leur développement, afin qu’elles collaborent efficacement et atteignent des objectifs communs dans un cadre de valeurs. 

CE9 Maîtriser les techniques et concepts statistiques avancés (régression, propriétés des distributions, tests statistiques et leur utilisation appropriée, etc.) afin de faciliter les tâches complexes de traitement des données et de fournir des analyses prédictives évolutives permettant d’évaluer de grands volumes de données.

CE12 Travailler sur le backend et l’infrastructure cloud pour construire et déployer des modèles d’apprentissage automatique sur de grands volumes de données.

CE13 Analyser de grandes quantités de données à l’aide de l’apprentissage automatique et de l’analyse prédictive afin de prévoir les tendances, l’activité et les comportements futurs à partir des données.

Résultats d’apprentissage

• RA-1. Maîtrise les modèles linéaires et les méthodes d’optimisation stochastique essentiels à l’entraînement des systèmes d’apprentissage automatique.

• RA-2. Définit des architectures d’apprentissage automatique à l’aide des bibliothèques open source spécialisées TensorFlow et Keras.

• RA-3. Comprend comment résoudre efficacement des problèmes de modélisation prédictive et identifie quelles compétences acquises peuvent être applicables à des tâches concrètes.

• RA-4. Acquérir de l’expérience dans l’analyse et l’interprétation des données afin de détecter et de résoudre les problèmes liés aux données, tels que les incohérences, les niveaux élevés de bruit, les erreurs et d’autres problèmes comme les fuites

• RA-5. Maîtriser les méthodologies permettant de combiner différents modèles d’apprentissage automatique.

• RA-6. Obtient des solutions hautement performantes, en mettant l’accent sur l’utilisation pratique des méthodes d’apprentissage automatique.

Description du contenu

• État de l’art en matière d’apprentissage automatique

• Environnements et outils de programmation pour l’apprentissage automatique.

• Techniques avancées de reconnaissance de formes

• L’apprentissage automatique appliqué aux images.

• L'apprentissage automatique appliqué au texte.

• L'apprentissage automatique appliqué aux contenus vidéo et audio.

• Cas d'utilisation et dernières tendances au sein des organisations.

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires en ligne

AV4.- Étude des contenus et documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6.- Évaluations des connaissances

AV12.- Résolution de problèmes

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note.

SE2.- Épreuves finales de connaissances : 60 % de la note.

SE3.- Cahier de travaux pratiques de laboratoire : 10 % de la note.

Bibliographie

Bibliographie de base :

1.- A. Géron

Hands-On Machine Learning with Scikit-Learn, Keras & Tensorflow

O'Reilly Media. 2019.

ISBN : 9781492032649

2.- A.C. Müller, S. Guido

Introduction au Machine Learning avec Python : un guide pour les data scientists (1re éd.)

O'Reilly Media. 2017.

ISBN : 9789352134571

Complémentaire :

3.- B.V. Vishwas, A. Patel

Analyse pratique des séries chronologiques avec Python

Springer. 2020.

ISBN : 9781484259924

4.- M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte, M. Miyazaki, L. Heidmann

Introduction aux MLOps

O’Reilly Media. 2020.

ISBN : 9781492083290

5.- R. Banik

Systèmes de recommandation pratiques avec Python

Packt. 2018.

ISBN : 9781788993753

Objectifs

L'objectif de ce cours est de fournir aux étudiants des connaissances sur l'évolution historique du Big Data et sur la manière d'intégrer le Big Data dans la stratégie d'une entreprise, en identifiant son impact sur l'innovation et la productivité. De plus, l'étudiant acquerra une base pratique en matière de Big Data afin de favoriser la transformation des entreprises et de permettre à celles-ci de fonder leur fonctionnement sur les données.

Par ailleurs, l’étudiant qui réussira ce cours se familiarisera avec la législation nationale et internationale traitant des questions éthiques liées à l’intelligence artificielle, et saura appliquer la législation en matière de protection des données personnelles et de vie privée.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en tenant compte des responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG2 Communiquer leurs arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que leurs résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine du big data afin de garantir un traitement approprié des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques dans le domaine de l’analyse de mégadonnées répondent aux exigences de l’organisation.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message en s’appuyant sur l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CE4 Mettre en place des stratégies de sécurité spécifiques aux systèmes de traitement de données à grande échelle afin d’empêcher les accès frauduleux et de respecter la législation en vigueur, telle que le Règlement général sur la protection des données (RGPD).

CE5 Appliquer des connaissances scientifiques à la conception de solutions numériques spécialisées dans le traitement de données massives afin d’éviter les biais algorithmiques et d’assurer la transparence.

Résultats d’apprentissage

• RA-1. Comprendre l’évolution historique du Big Data

• RA-2. Savoir intégrer le Big Data dans une stratégie d’entreprise.

• RA-3. Identifier les implications organisationnelles de l’intégration du Big Data dans les entreprises, ainsi que son impact sur l’innovation et la productivité.

• RA-4 Acquérir une base pratique sur le Big Data et ses applications en entreprise afin de transformer les organisations en entreprises guidées par les données.

• RA-5. Connaît la législation nationale et internationale traitant des questions éthiques liées à l’intelligence artificielle.

• RA-6. Découvrir et appliquer la législation relative à la protection des données personnelles et à la vie privée.

Description du contenu

• Évolution historique de la science des données et du Big Data.

• Introduction au traitement de grands volumes de données (Big Data).

• Le Big Data et l’intelligence artificielle

• Stratégie de mise en œuvre du Big Data au sein d’une organisation.

• Exemples de réussite.

• L'avenir du Big Data.

• Cadre juridique relatif à la protection des données à caractère personnel.

• Responsabilité des systèmes de Big Data et d’intelligence artificielle.

Activités de formation

AV1.- Cours magistraux

AV2. – Séminaires en ligne

AV3. – Analyse de cas

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6.- Évaluations des connaissances

AV15.- Débats

AV11.- Élaboration de projets

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 40 % de la note

SE2.- Épreuves finales de connaissances : 60 % de la note.

Bibliographie

Bibliographie de base :

1.- Bernard Marr

Le BIG DATA en pratique : comment 45 entreprises prospères ont utilisé l'analyse du big data pour obtenir des résultats extraordinaires

TEELL EDITORIAL, S.L. 2016.

ISBN : 8416511160

2.- Bernard Marr

Big Data in Practice : Comment 45 entreprises prospères ont utilisé l'analyse du Big Data pour obtenir des résultats extraordinaires

WILEY. 2016.

ISBN : 1119231388

3.- Isaac Gonzalez Diaz

Le Big Data pour les PDG et les directeurs marketing : comment maîtriser l'analyse du Big Data en 5 semaines pour les cadres

Publication indépendante. 2017.

ISBN : 1549960393

4.- Kenneth Cukier et Viktor Mayer-Schönberger

Big Data : la révolution des données massives

Turner. 2016.

ISBN : 8415832109

5.- Larissa T. Moss et Shaku Atre Addison

Business Intelligence Roadmap : le cycle de vie complet des projets d'applications d'aide à la décision

Wesley Professional. 2003.

ISBN : 0201784203

6.- Rafael Caballero et Enrique Martín

Les fondements du Big Data

Los Libros de la Catarata. 2015.

ISBN : 8490970866

Objectifs

L'objectif de ce cours est de doter l'étudiant de connaissances approfondies lui permettant de comprendre les concepts avancés du cloud computing et des systèmes sur lesquels il repose, en utilisant l'architecture et les modèles de programmation employés pour l'analyse de mégadonnées. De plus, il sera en mesure de développer des applications Big Data à l'aide des services des plateformes de cloud computing, et d'appliquer des techniques de traitement avancées à l'exploitation de grands volumes de données.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Être capable d’appliquer les connaissances acquises et sa capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à son domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG2 Communiquer leurs arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que leurs résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques dans le domaine de l’analyse des mégadonnées répondent aux exigences de l’organisation.

CG5 Posséder une connaissance approfondie des défis actuels dans des domaines tels que l’acquisition et le traitement des données, la gestion des données, le traitement distribué et la haute disponibilité, afin de concevoir des solutions avancées d’analyse de mégadonnées capables de les résoudre dans des environnements professionnels hautement spécialisés.

CB6

Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Que les étudiants sachent appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations qui, bien qu’incomplètes ou limitées, incluent des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons profondes qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG2 Communiquer leurs arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que leurs résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine du big data afin de garantir un comportement approprié vis-à-vis des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques dans le domaine de l’analyse de données massives répondent aux exigences de l’organisation.

CG5 Posséder une connaissance approfondie des défis actuels dans des domaines tels que l’acquisition et le traitement des données, la gestion des données, le traitement distribué et la haute disponibilité, afin de concevoir des solutions avancées d’analyse de données massives capables de les résoudre dans des environnements professionnels hautement spécialisés.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message à partir de l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT3 Esprit analytique : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en détectant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CE1 Réaliser des extractions et des manipulations complexes de grands volumes de données non structurées afin de les transformer et de les convertir dans un format compatible avec les solutions de stockage et de visualisation des données.

CE6 Développer des architectures informatiques avancées et évolutives pour mettre en place des solutions numériques de traitement de grands volumes de données, intégrées aux principaux composants et plateformes du Big Data.

CE7 Analyser des problèmes concrets liés à la science des données et à l’intelligence artificielle en appliquant des méthodes d’analyse de l’information et de traitement de grands volumes de données afin de trouver la solution optimale de manière efficace et en temps opportun.

CE13 Analyser de grandes quantités de données à l’aide de l’apprentissage automatique et de l’analyse prédictive afin de prévoir les tendances, l’activité et les comportements futurs à partir des données.

Acquis d’apprentissage

• RA-1. Connaît les tendances de pointe en matière de Big Data et les cas d’utilisation représentatifs dans le milieu professionnel.

• RA-2. Comprend les concepts avancés du cloud computing et les systèmes sur lesquels il repose.

• RA-3. Connaît l’architecture et les modèles de programmation utilisés pour l’analyse de données massives.

• RA-4. Développe des applications Big Data à l’aide des services des plateformes de travail dans le cloud

• RA-5. Appliquer les techniques de traitement avancées à l’exploitation de grands volumes de données.

Description du contenu

• Architectures d’applications cloud pour le Big Data

• Gestion du cycle de vie des applications dans le cloud

• Services cloud : traitement, stockage, réseaux et bases de données

• Modélisation des données pour les applications Big Data

• Services de virtualisation

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires en ligne

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6. – Évaluations des connaissances

AV10.- Résolution de problèmes

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note.

SE2.- Épreuves finales de connaissances : 60 % de la note

SE3.- Cahier de travaux pratiques de laboratoire : 10 % de la note.

Bibliographie

Bibliographie de base :

1.- Adi Wijaya

Data Engineering with Google Cloud Platform, A practical guide to operationalizing scalable data analytics systems on GCP

PACKT. 2022.

ISBN : 9781800561328

2.- Christopher Berg, Gil Benghiat et Eran Strod

The DataOps CookBook, Méthodologies et outils permettant de réduire la durée du cycle d’analyse tout en améliorant la qualité

DataKitchen. 2019.

ISBN : 9781788839259

3.- Nathan Marz et James Warren

Big-Data. Principes et bonnes pratiques des systèmes de données en temps réel évolutifs

Manning. 2015.

ISBN : 9781617290343

4.- William Inmon et Daniel Linstedt

Data Architecture, Une introduction pour le data scientist

Morgan Kaufmann. 2015.

ISBN : 9780128020449

Objectifs

L'objectif de ce cours est de permettre à l'étudiant de comprendre les spécificités de la programmation en science des données, en utilisant le langage R pour résoudre des problèmes spécialisés liés au traitement de grands volumes de données. De plus, il maîtrisera les environnements de développement les plus courants pour créer des programmes en R : RStudio et Jupyter Notebook, et programmera des applications en Python à l'aide des bibliothèques et outils spécifiques permettant de stocker et de manipuler des données.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu familiers, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB10 Les étudiants doivent posséder les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG1 Définir la feuille de route pour l’adoption, au sein d’une organisation, des technologies de traitement de grands volumes de données afin d’en faciliter l’accès, le partage et la gestion du contenu.

CG6 Connaître les composants technologiques des plateformes de traitement de bout en bout de grands volumes de données afin de définir des solutions qui améliorent la gestion, l’intégration, le traitement et les tâches analytiques des données.

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit d’analyse : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CT5 Leadership éthique : Être capable de motiver, d’influencer et de diriger d’autres personnes en favorisant leur développement, afin qu’elles collaborent efficacement et atteignent des objectifs communs dans un cadre de valeurs. 

CE2 Concevoir des algorithmes avancés de résolution de problèmes liés au traitement de grands volumes de données à l’aide de langages de programmation spécifiques à la science des données, afin de mettre en œuvre des solutions numériques sur une plateforme Big Data.

CE5 Appliquer des connaissances scientifiques à la conception de solutions numériques spécialisées dans le traitement de données massives afin d’éviter les biais algorithmiques et d’assurer la transparence.

CE8 Appliquer des méthodologies innovantes dans la programmation d’applications d’exploitation de grands volumes de données afin d’apporter des connaissances à l’organisation en modifiant la vision de la prise de décision.

Résultats d’apprentissage

• RA-1. Comprendre les spécificités de la programmation en science des données.

• RA-2. Appliquer le langage R à la résolution de problèmes spécialisés dans la gestion de grands volumes de données.

• RA-3. Maîtrise les environnements de développement les plus courants pour créer des programmes en R : RStudio et Jupyter Notebook.

• RA-4. Programme des applications en Python à l’aide des bibliothèques et des outils spécifiques au stockage et à la manipulation des données.

• RA-5. Acquérir des bases solides pour un apprentissage plus approfondi en science des données, et développer les compétences nécessaires pour progresser dans sa carrière de data scientist spécialisé dans le Big Data.

Description du contenu

• Introduction à la programmation en R.

• Structures de données en R.

• Programmation en R pour le traitement de grands volumes de données.

• Introduction à Python et à ses structures de données.

• Bibliothèques pour la visualisation avancée des données en Python.

• Programmation en Python pour le traitement de grands volumes de données.

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires en ligne

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6. – Évaluations

AV10.- Résolution de problèmes

AV11.- Élaboration de projets

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note.

SE2.- Épreuves finales de connaissances : 60 % de la note.

SE4.- Portfolio : 10 % de la note.

Bibliographie

Bibliographie de base :

1.- Dr Severance, Charles R.

Python for Everybody : Exploring Data Using Python 3

CreateSpace. 2023.

ISBN : 9781530051120

Objectifs

L'objectif de ce cours est de permettre à l'étudiant de construire et d'entraîner des réseaux neuronaux profonds entièrement connectés, en appliquant des algorithmes d'apprentissage par renforcement. De plus, il apprendra à identifier les tâches de traitement du langage naturel au sein des processus organisationnels, tout en découvrant les meilleures pratiques pour l'entraînement et le développement de jeux de données de test.

.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu familiers, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG1 Définir la feuille de route pour l’adoption, au sein d’une organisation, des technologies de traitement de grands volumes de données afin d’en faciliter l’accès, le partage et la gestion du contenu.

CG2 Communiquer ses arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que ses résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine des mégadonnées afin de garantir un comportement approprié vis-à-vis des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques utilisés dans le domaine de l’analyse de données massives répondent aux exigences de l’organisation.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message en s’appuyant sur l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit analytique : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CT5 Leadership éthique : Être capable de motiver, d’influencer et de diriger d’autres personnes en favorisant leur développement, afin qu’elles collaborent efficacement et atteignent des objectifs communs dans un cadre de valeurs. 

CE7 Analyser des problèmes concrets liés à la science des données et à l’intelligence artificielle en appliquant des méthodes d’analyse de l’information et de traitement de grands volumes de données afin de trouver la solution idéale de manière efficace et en temps opportun.

CE8 Appliquer des méthodologies innovantes dans la programmation d’applications d’exploitation de grands volumes de données afin d’apporter des connaissances à l’organisation en modifiant la vision de la prise de décision.

CE9 Maîtriser les techniques et concepts statistiques avancés (régression, propriétés des distributions, tests statistiques et leur utilisation appropriée, etc.) afin de rationaliser les tâches complexes de traitement des données et de fournir des analyses prédictives évolutives permettant d’évaluer de grands volumes de données.

CE10 Entraîner, par le biais de la recherche scientifique et technologique, des réseaux neuronaux capables d’analyser de grands volumes de données afin de les exploiter pour l’optimisation des processus au sein des organisations.

Résultats d’apprentissage

• RA-1. Construire et entraîner des réseaux neuronaux profonds entièrement connectés.

• RA-2. Appliquer des algorithmes d’apprentissage par renforcement pour construire et entraîner des réseaux neuronaux.

• RA-3. Identifier les tâches de traitement du langage naturel dans les processus des organisations

• RA-4 Apprendre les meilleures pratiques pour entraîner et développer des ensembles de test.

• RA-5. Analyse le biais et la variance pour développer des applications d’apprentissage profond.

Description du contenu

• Aspects pratiques et avancés de l’apprentissage profond et des réseaux neuronaux.

• Algorithmes d’apprentissage par renforcement.

• L’apprentissage profond pour le traitement du langage naturel.

• Programmation d’applications mettant en œuvre des réseaux neuronaux.

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires en ligne

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6. – Évaluations des connaissances

AV11.- Élaboration de projets

AV12.- Résolution de problèmes

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note.

SE2.- Épreuves finales de connaissances : 60 % de la note.

SE3.- Cahier de travaux pratiques de laboratoire : 10 % de la note.

Objectifs

L'objectif de ce cours est de permettre à l'étudiant de développer sa capacité à mettre en œuvre le déploiement continu d'applications au sein d'une organisation, à analyser le pipeline de livraison d'une équipe et à formuler des recommandations hiérarchisées pour l'améliorer, en expliquant les compétences et les rôles impliqués dans le DevOps et en quoi ils contribuent à une capacité de livraison continue, en révisant et en mettant en œuvre des tests d’automatisation sur l’ensemble de la pile de développement. Le tout en appliquant les méthodologies Agile.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou la mise en œuvre d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG2 Communiquer leurs arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que leurs résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine du big data afin de garantir un comportement approprié vis-à-vis des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques dans le domaine de l’analyse de données massives répondent aux exigences de l’organisation.

CG5 Maîtriser en profondeur les défis actuels dans des domaines tels que l’acquisition et le traitement des données, la gestion des données, le traitement distribué et la haute disponibilité, afin de concevoir des solutions avancées d’analyse de données massives capables de les résoudre dans des environnements professionnels hautement spécialisés.

CG6 Connaître les composants technologiques des plateformes de traitement de bout en bout de grands volumes de données afin de définir des solutions qui améliorent la gestion, l’intégration, le traitement et les tâches analytiques des données.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message à partir de l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit d’analyse : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CT5 Leadership éthique : Être capable de motiver, d’influencer et de diriger d’autres personnes en favorisant leur développement, afin qu’elles collaborent efficacement et atteignent des objectifs communs dans un cadre de valeurs. 

CE2 Concevoir des algorithmes avancés de résolution de problèmes liés au traitement de grands volumes de données à l’aide de langages de programmation spécifiques à la science des données, afin de mettre en œuvre des solutions numériques sur une plateforme Big Data.

CE6 Développer des architectures informatiques avancées et évolutives pour mettre en place des solutions numériques de traitement de grands volumes de données, intégrées aux principaux composants et plateformes Big Data.

Acquis d’apprentissage

• RA-1. Développer la capacité à mettre en œuvre le déploiement continu d’applications au sein d’une organisation.

• RA-2. Diagnostique le pipeline de livraison d’une équipe et présente des recommandations classées par ordre de priorité pour l’améliorer.

• RA-3. Explique les compétences et les rôles impliqués dans le DevOps et comment ils contribuent à une capacité de livraison continue.

• RA-4. Vérifie et met en œuvre des tests automatisés sur l’ensemble de la pile de développement

• RA-5. Applique les méthodologies agiles au développement et à l’automatisation des tests afin d’adopter les principes de l’intégration et de la livraison continues.

Description du contenu

• Aspects avancés du DevOps et de l’intégration continue.

• Intégration continue et développement continu.

• Automatisation des suites de tests d’applications dans le cloud.

• Environnements d’intégration et d’exploitation sur des plateformes d’intégration continue dans le cloud.

• Rôles et fonctions au sein d’une plateforme d’intégration continue.

• Développement d’applications et gestion avancée des conteneurs.

Activités de formation

AV1.- Cours magistraux

AV2.- Séminaires virtuels

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6. – Évaluations des connaissances

AV11.- Élaboration de projets

AV12.- Résolution de problèmes

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note.

SE2.- Épreuves finales de connaissances : 60 % de la note

SE4.- Portfolio : 10 % de la note.

Bibliographie

Bibliographie de base :

1.- Betsy Beyer, Chris Jones, Jennifer Petoff, Niall Richard Murphy

Site Reliability Engineering : How Google Runs Production Systems

O'Reilly Media, Inc. 2016.

ISBN : 9781491951170

2.- Betsy Beyer, Niall Richard Murphy, David K. Rensin, Kent Kawahara, Stephen Thorne

Le manuel de fiabilité des sites

O'Reilly Media, Inc. 2018.

ISBN : 9781492029502

3.- Martyn Coupland

Stratégies d'adoption du DevOps : principes, processus, outils et tendances

Packt. 2021.

ISBN : 9781801078788

4.- Mikael Krief

Apprendre le DevOps

Packt. 2019.

ISBN : 9781838642730

5.- Sandeep Madamanchi

Google Cloud pour les ingénieurs DevOps

Pakt. 2021.

ISBN : 9781839218019

Objectifs

L'objectif de ce cours est de permettre à l'étudiant de se familiariser avec le monde du travail, grâce à un stage en entreprise ou dans une institution, sous la supervision d'un tuteur de stage au sein de l'entreprise. Le déroulement du stage sera en lien avec le contenu du master.

Prérequis

Le stage se déroulera en présentiel sur le lieu de travail désigné par l’entreprise partenaire.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent savoir appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message à partir de l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit d’analyse : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CT5 Leadership éthique : Être capable de motiver, d’influencer et de diriger d’autres personnes en favorisant leur développement, afin qu’elles collaborent efficacement et atteignent des objectifs communs dans un cadre de valeurs. 

CE15 Appliquer les connaissances acquises dans un environnement professionnel, pour gérer ses tâches avec le sens des responsabilités et travailler en équipe avec initiative et motivation.

Résultats d’apprentissage

• RA-1. Appliquer, dans un contexte de recherche scientifique et technologique ou hautement spécialisé, les connaissances et compétences acquises dans le cadre du master.

• RA-2 Sélectionne les technologies et les méthodologies appropriées pour proposer des solutions aux défis liés à l’analyse de données massives dans des environnements professionnels hautement spécialisés.

• RA-3 Appliquer les connaissances et les compétences acquises au cours du master pour formuler, en termes clairs, des diagnostics et des propositions d’action face à des problèmes et des défis décrits à partir d’informations incomplètes ou limitées.

• RA-4. Analyse et réfléchit à la responsabilité sociale ou éthique liée à la solution proposée dans les cas d’utilisation de l’analyse de mégadonnées dans un environnement professionnel hautement spécialisé.

• RA-5. Communique de manière claire et rigoureuse à un public spécialisé les résultats issus d’une recherche scientifique et technologique dans le domaine de l’analyse de mégadonnées, en argumentant de manière fondée sa position et en établissant des dialogues constructifs avec ses interlocuteurs.

• RA-6. Identifie les domaines de développement professionnel et de spécialisation dans le domaine de l’analyse de données massives qui seront prioritaires dans les prochaines étapes de sa carrière professionnelle.

Description du contenu

Le contenu des stages externes que devra effectuer l’étudiant s’appuiera sur l’expérience professionnelle acquise au sein d’un établissement préalablement lié à l’université par une convention mentionnant expressément les activités de stage externe dans ledit établissement. Le thème choisi sera précisé avant le début du stage de l’étudiant et pourra porter sur différents aspects d’ordre professionnel.

Activités de formation

AV1 Cours en ligne

AV4 Travail autonome

AV5 Tutorat en ligne

AV7 Stage en entreprise

Système et critères d'évaluation

SE7 Rapport du tuteur de stage externe : 40 % de la note

SE8 Rapport du tuteur académique des stages externes : 40 % de la note

SE9 Rapport de stage externe : 20 % de la note.

Objectifs

L'objectif de ce cours est de permettre à l'étudiant d'acquérir une autonomie dans l'élaboration d'un projet de travail ou de recherche, de démontrer sa capacité à effectuer une analyse rigoureuse de la littérature sur un sujet spécifique et d'atteindre une maîtrise adéquate de la rédaction scientifique. Par ailleurs, il vise à ce que l'étudiant soit capable d'appliquer et de mettre en œuvre avec compétence les techniques statistiques abordées tout au long du master, ainsi que de développer et d'introduire de nouvelles méthodologies pour l'analyse des données. Ainsi, l’étudiant atteindra un niveau de connaissances équivalent à l’état de l’art dans un domaine précis et pourra, potentiellement, apporter des contributions originales dans ce domaine.

Conditions préalables

Il est nécessaire d’avoir validé l’intégralité des cours du cursus, y compris les « stages en entreprise », pour pouvoir se présenter à la soutenance du mémoire de master.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité d’être original dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent savoir appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CE14 Élaborer, présenter et défendre un travail original dans le domaine de l’analyse et du traitement de grands volumes de données, ainsi que de leur impact sur les organisations et les entreprises.

Résultats d'apprentissage

RA-1. Que l’étudiant réalise individuellement, présente et défende devant un jury universitaire un projet dans le domaine de l’analyse de mégadonnées pour les entreprises, de nature professionnelle, dans lequel sont synthétisées et intégrées les compétences requises dans les enseignements

Description des contenus

Le mémoire de master doit permettre de vérifier l’acquisition par l’étudiant des compétences générales et spécifiques du cursus, en synthétisant les compétences acquises au cours des cours, ou dans le cadre d’un travail à caractère innovant dans le domaine de l’analyse de données massives, d’une complexité suffisante, dans un environnement aussi proche que possible de la réalité. L’étudiant devra élaborer un travail cohérent, d’une durée réaliste au regard des objectifs visés. Il s’agira de proposer un travail original, grâce à la recherche de sources et à l’apport personnel de l’étudiant.

Activités de formation

AV2 Séminaire virtuel

AV5 Tutorat virtuel

AV7 Rédaction du mémoire de fin de master

AV8 Soutenance publique du mémoire de fin de master

Système et critères d'évaluation

SE 5 Mémoire de fin de master : 60 % de la note.

SE 6 Soutenance et présentation du mémoire de fin de master devant le jury d'évaluation : 40 % de la note.

La soutenance se déroulera en ligne devant le jury d'évaluation.

Objectifs

L'objectif de ce cours est de permettre à l'étudiant d'appliquer des techniques sophistiquées de visualisation fondées sur les principes de l'analyse de données, en tenant compte de la structure et de l'origine de ces données, en choisissant pour cela la technique de visualisation la plus adaptée à chaque cas d'utilisation, compte tenu du type et de la composition des données, en organisant l'information et en détectant des tendances, ainsi qu'en identifiant les éléments essentiels à la prise de décision, ce qui nécessite la maîtrise des outils les plus avancés permettant de générer des visualisations de données.

Prérequis

Aucun prérequis n’a été défini.

Compétences

CB6 Posséder et comprendre des connaissances qui constituent une base ou offrent la possibilité de faire preuve d’originalité dans le développement et/ou l’application d’idées, souvent dans un contexte de recherche

CB7 Les étudiants doivent être capables d’appliquer les connaissances acquises et leur capacité à résoudre des problèmes dans des environnements nouveaux ou peu connus, au sein de contextes plus larges (ou multidisciplinaires) liés à leur domaine d’études

CB8 Les étudiants doivent être capables d’intégrer des connaissances et de faire face à la complexité liée à la formulation de jugements à partir d’informations incomplètes ou limitées, en incluant des réflexions sur les responsabilités sociales et éthiques liées à l’application de leurs connaissances et de leurs jugements

CB9 Que les étudiants sachent communiquer leurs conclusions, ainsi que les connaissances et les raisons fondamentales qui les sous-tendent, à des publics spécialisés et non spécialisés, de manière claire et sans ambiguïté

CB10 Que les étudiants possèdent les compétences d’apprentissage leur permettant de poursuivre leurs études de manière largement autodirigée ou autonome.

CG1 Définir la feuille de route pour l’adoption, au sein d’une organisation, des technologies de traitement de grands volumes de données afin d’en faciliter l’accès, le partage et la gestion du contenu.

CG2 Communiquer ses arguments de manière rationnelle, à l’aide d’éléments visuels, afin de convaincre les décideurs de l’entreprise que ses résultats doivent être utilisés pour améliorer les processus et l’activité de l’organisation.

CG3 Identifier les cadres éthiques, de responsabilité sociale, civile et professionnelle qui doivent s’appliquer dans le domaine des mégadonnées afin de garantir un comportement approprié vis-à-vis des données, en particulier des données à caractère personnel.

CG4 Développer des processus d’analyse des risques et des plans d’atténuation afin de garantir que les systèmes technologiques dans le domaine de l’analyse de données massives répondent aux exigences de l’organisation.

CT1 Communication efficace : Être capable de transmettre et d’adapter un message en s’appuyant sur l’écoute active afin d’établir un lien avec le public, en utilisant les ressources nécessaires pour s’adapter à ses caractéristiques et à celles du contexte. 

CT2 Travail d’équipe : Être capable d’interagir, d’écouter avec empathie et de proposer des solutions en intégrant les différents points de vue, afin de collaborer efficacement avec des personnes issues de différents domaines et disciplines pour atteindre des objectifs communs. 

CT3 Esprit analytique : Être capable d’analyser et d’évaluer des informations, de décomposer des problèmes ou des situations complexes, en identifiant des schémas récurrents afin de proposer des solutions et de prendre des décisions. 

CT4 Créativité : Être capable de générer des idées et des solutions innovantes à des problèmes ou des situations complexes dans des environnements de collaboration et de co-création. 

CE3 Concevoir des modèles de données flexibles et traçables pour stocker les entités et les attributs des informations gérées par des solutions numériques avancées destinées au traitement de grands volumes de données.

CE8 Appliquer des méthodologies innovantes dans la programmation d’applications d’exploitation de grands volumes de données afin d’apporter des connaissances à l’organisation en modifiant la perspective dans la prise de décision.

CE11 Traiter les informations liées aux données à l’aide de techniques avancées en créant des visualisations adaptées au public cible afin de détecter et de comprendre les tendances, les valeurs aberrantes et les schémas dans les données.

Résultats d’apprentissage

• RA-1. Appliquer des techniques de visualisation sophistiquées fondées sur les principes fondamentaux de l’analyse des données, en tenant compte de la structure et de l’origine de ces données.

• RA-2. Choisir la technique de visualisation la plus adaptée à chaque cas d’utilisation en tenant compte du type et de la composition des données, des informations que l’on souhaite transmettre au public et de la manière dont les observateurs traitent les informations visuelles.

• RA-3. Organise les informations et détecte des tendances, en identifiant les points essentiels à la prise de décision.

• RA-4. Présente les analyses de données et les communique de manière à ce que le destinataire soit en mesure de prendre des décisions sur la base de ce transfert de connaissances.

• RA-5. Maîtrise les outils les plus avancés permettant de générer des visualisations de données.

• RA-6. Explore des méthodes alternatives pour visualiser des ensembles de données.

Description des contenus

• Filtrage avancé des informations et organisation des hiérarchies.

• Identité visuelle.

• Récits de données.

• Organisation et codage visuel de l’information.

• Analyse et visualisation des données Web.

• Techniques avancées de présentation.

• Outils de visualisation pour les données dynamiques.

Activités de formation

AV1.- Cours magistraux

AV2. – Séminaires virtuels

AV3.- Analyse de cas

AV4.- Étude des contenus et de la documentation complémentaire (travail autonome)

AV5.- Tutorat en ligne

AV6.- Évaluations des connaissances

AV13.- Activités d'ateliers et/ou de laboratoires

Système et critères d'évaluation

SE1.- Activités pratiques (résolution de cas, de problèmes et de défis, réalisation de projets, exposés oraux, débats, etc.) : 30 % de la note

SE2.- Épreuves finales de connaissances : 60 % de la note

SE3.- Cahier de travaux pratiques de laboratoire : 10 % de la note.

Bibliographie

Bibliographie de base :

1.- Cairo, A

The Truthful Art : Data, Charts, and Maps for Communication

New Riders Publishing. 2016.

ISBN : 9780321934079

2.- Dykes, B.

Une narration efficace des données : comment susciter le changement grâce aux données, au récit et aux visuels

Wiley. 2019.

ISBN : 9781119615712

3.- Ross, M.

Identifying Business Processes

. The Kimball Group. 2005.

ISBN : 9781119216315