• Familiariser l’étudiant(e) avec les techniques Business Intelligence.
• Présenter les principales techniques de prétraitement, prospection et entreposage de données.
• Illustrer ces techniques à l’aide du système SQL Server 2017 et particulièrement les modules SSIS (SQL Server Integration Services) et SSAS (SQL Server Analysis Services).
• Permettre à l’étudiant(e) de mettre en pratique toutes les connaissances et techniques acquises durant le cours via des exercices et un projet de session portant sur le prétraitement, la prospection et l’entreposage de données.

Les formules pédagogiques suivantes seront utilisées :

Logistique du cours

• Accès en laboratoire à des postes de travail Windows XP, sur lesquels le client SQL 2017 est installé.
• Accès à Moodle sur le Web pour la récupération des notes de cours, des énoncés de travaux, des consignes spécifiques et des résultats d’évaluation.

Plan synthétisé du cours

Les thèmes suivants seront étudiés :

• Introduction à la veille économique (Business intelligence) et à la prospection de données (Data mining)
• Techniques de prétraitement de données : 1- Épuration. 2 - Intégration et transformation. 3 - Sélection et réduction
• Entreposage de données : raison d’être et concepts
• Étapes de construction d’un entrepôt de données
• Modélisation multidimensionnelle
• Stratégies de conception
• Techniques OLAP
• Architectures des entrepôts de données
• Optimisation des performances
• Applications et produits
• Découverte de connaissances : raison d’être et définitions
• Étapes du processus de découverte de connaissances
• Survol des techniques de prospection de données et des applications courantes
• Classification et prédiction : 1- Définitions, principaux thèmes. 2 - Comparaison entre la classification et la prédiction. 3 - Arbres de décision et règles de classification. 4 - Réseaux bayésiens. 5 - Approches statistiques de prédiction (modèles de régression)
• Regroupement : méthodes hiérarchiques comme K-Means, analyse formelle de concepts
• Règles d’association et mesures de qualité

• NOTE : Toutes les parties du cours seront illustrées avec les outils Business Intelligence de SQL Server 2017

Sur demande. L'étudiant(e) peut m'envoyer un courriel pour fixer un rendez-vous.

Courriel : yapida01@uqo.ca

L'étudiant(e) dans ce cours sera évalué(e) par les examens de mi-session et final, ainsi que par des travaux pratiques. La pondération de la note finale sera comme suit :

• Examen de mi-session semaine : 25 %
• Examen final : 30 %
• Travaux pratiques : 45 %

Les travaux pratiques comprendront les volets suivants : prétraitement, entreposage (deux sous-travaux) et prospection de données (deux sous-travaux).

Une moyenne générale inférieure à 50 % est éliminatoire et conduit automatiquement à l'échec de l'étudiant(e). Les travaux pratiques se feront par équipes de deux. La pénalité de retard pour la remise d'un travail est de 2 points par jour (y compris les jours fériés et les fins de semaine).

Les présences aux séances de cours et de travaux dirigés seront considérées. Un(e) étudiant(e) qui s'absente souvent et de manière injustifiée aura une diminution de la note finale d'un maximum de 5 points.

Des consignes sur l'échéancier et la réalisation des travaux pratiques seront précisées.

Des consultations de groupes seront organisées sur rendez-vous afin de guider et d'orienter les étudiant(e)s dans la réalisation de leurs travaux.

1. Notes de cours disponibles sur Moodle (principale référence)
2. Kimball, Ralph et al. The Data Warehouse Toolkit : The Definitive Guide to Dimensional Modeling, Ind., Wiley, 2013.
3. Burquier, Bertrand. Business intelligence avec SQL Server 2005. Mise en oeuvre d’un projet décisionnel, Dunod, 2007.
4. J. Han & M. Kamber. Data Mining: Concepts and Techniques, Morgan Kaufmann, 2^nd edition, 2006.
5. D. J. Hand, H. Mannila and P. Smyth. Principles of Data Mining, MIT Press, 2001.
6. W.H. Inmon. Building the Data Warehouse, John Wiley, 3^e édition, 2002.
7. R. Kimball & M. Ross. Guide pratique de modélisation dimensionnelle, Vuibert informatique, Paris, 2002.
8. R. Kimball, L. Reeves, M. Ross et W. Thornthwaite. Le Data warehouse, collection Blanche, 2005.
9. R. Lefébure & G. Venturi. Le Data Mining. Eyrolles, 2001.
10. W. R. Stanek. SQL Server 2005 : guide de l'administrateur, Microsoft Press, 2006.
11. Z. Tang & J. MacLennan. Data Mining with SQL Server 2005, Wiley, 2005.
12. S. Tufféry. Data mining et statistique décisionnelle - L’intelligence dans les bases de données, éditions TECHNIP, 2005.