Ce cours est destiné aux étudiants ayant suivi au préalable un ou des cours de bases de données au niveau baccalauréat et/ou qui ont une expérience pertinente en conception et utilisation des bases de données ou en apprentissage machine (machine learning). Ce cours vise à approfondir les connaissances de l'étudiant sur des thèmes reliés à l'intelligence d'affaires.

• initier l'étudiant aux fondements, concepts et problèmes reliés à la veille économique;
• permettre à l'étudiant d'approfondir ses connaissances sur les techniques de fouille et d'entreposage de données à travers les cours magistraux, les synthèses d'articles, le travail pratique et le projet de session;
• initier l'étudiant à un travail de recherche similaire à la préparation d'un mémoire de maîtrise par la consultation de références bibliographiques, la préparation de synthèses d'articles et de présentations orales, et la rédaction d'un rapport de session.

Les normes de présentation de travaux (ex. page de garde, marge d'un pouce, interligne à 1.5, taille des caractères de 12 points) doivent être absolument respectées. Tout travail non conforme aux consignes se verra attribuer une pénalité de 10% de la note obtenue.

Tout travail remis nécessairement via Moodle aura pour nom INF6193-TPX-EquipeY ou INF6193-TXP-Nom.

1. Synthèse et critique de deux articles (travail individuel, 27 septembre et 18 octobre) : 2 X 10 points.
La synthèse ne doit pas dépasser TROIS pages (un maximum de 1600 mots). En cas de dépassement, seules les 3 premières pages seront prises en compte lors de la correction.

2. Développement d'application (travail individuel, 15 novembre) : 10 points.
Il s'agit d'implémenter une procédure de fouille de données.

3. Examen (13 décembre) : 30 points.
L'examen porte sur toute la matière étudiée dans le cours et peut être à livre ouvert ou fermé.

4. Projet de session (en équipe de deux si le nombre d'étudiants inscrits dépasse 8).
Les étudiants sont invités à proposer et à réaliser un projet d'intelligence d'affaires en équipes de deux ou trois membres. Chaque équipe est responsable d'identifier le sujet de son projet et de valider ce sujet auprès du professeur.
La liste des sujets de projets sera distribuée à la cinquième semaine de la session.

Le projet de session peut être soit théorique (synthèse d'articles), soit pratique (ex. conception et implantation d'algorithmes en intelligence d'affaires). Il comprend les deux composantes suivantes:

• Ébauche du projet de session (1^er novembre)
• Présentations orales (29 novembre et 6 décembre) : 15 points
• Rapport final (13 décembre) : 25 points

Voici quelques suggestions de sujets de projets de session :

• Intelligence d'affaires et données massives (big data)
• Fouille du Web
• Fouille de textes
• Analyse et fouille de réseaux sociaux
• Détection de valeurs aberrantes dans les tables relationnelles ou les cubes de données
• Techniques avancées de modélisation des entrepôts de données (cf. livre de Golfarelli et al.)
• Entrepôts de données (ED) temporels, spatiaux, distribués ou en temps réel
• Nouvelles technologies des ED (cf. chapitre 13 du livre de Vaisman et al.)
• ED et Web sémantique.

Les consignes de réalisation des divers travaux feront l'objet d'un document à part. Toute note de moins de 52% à l'examen entraîne systématiquement un échec au cours.
Tout retard dans la remise d'un travail entraîne une pénalité de 5% par jour sur la note attribuée à ce travail.
À la discrétion du professeur, une pénalité maximale de 10% de la note globale pourrait affecter la note de session si le professeur observe des absences fréquentes ou une passivité injustifiée et évidente au cours.
La qualité du français sera considérée lors de la correction des travaux.

NOTES DE COURS
Disponibles via Moodle.

Références recommandées pour le cours

Jiawei Han, Micheline Kamber, Jian Pei, (2011). Data Mining Concepts and Techniques, 3rd Edition, Morgan Kaufmann, 2011.

Alejandro Vaisman & Estaban Zimanyi, (2014). Data Warehouse Systems - Design and Implementation, Springer, 2014.

Ralph Kimball, Margy Ross, (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, 2013.

Références additionnelles

Carlo Batini & Monica Scannapieco, (2016). Data and Information Quality - Dimensions, Principles and Techniques, Springer, 2016.

Matteo Golfarelli & Stefano Rizzi, (2009). Data Warehouse Design: Modern Principles and Methodologies, McGraw-Hill, 2009.

W.H. Inmon & Dan Linstedt, (2015). Data Architecture: A Primer for the Data Scientist: Big Data, Data Warehouse and Data Vault, Morgan Kaufmann, 2015.

Krish Krishnan, (2013). Data Warehousing in the Age of Big Data - The Morgan Kaufmann Series on Business Intelligence, 2013.

Witten, H. & E. Frank, (2011). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, 3rd Edition, Morgan Kaufmann, 2011.

Références en ligne

Site le plus complet sur la découverte de connaissances :
http://www.kdnuggets.com/index_kdm.html

Documents reliés au livre de J. Han et al.
http://www.cs.illinois.edu/~hanj/bk3/