| ||||
Sigle : INF6193 Gr. 01 Titre : Intelligence d'affaires Session : Automne 2017 Horaire et local Professeur : Missaoui, Rokia | ||||
1. Description du cours paraissant à l'annuaire : | ||||
ObjectifsPermettre aux étudiants de maîtriser les fondements, concepts et problèmes reliés à l’intelligence d’affaires (veille économique ou Business intelligence) qui inclut trois facettes : la visualisation de l’information et de la connaissance, la fouille de données et l’entreposage de données.ContenuFouille de données : étapes de découverte de connaissances (prétraitement, fouille de données et interprétation des résultats), techniques de classification (arbres de décision, etc.), techniques de regroupement (treillis de concepts, classification hiérarchique), règles d'association, motifs séquentiels, cas aberrants et fouille de données complexes (Web, texte, graphe). Entreposage de données : étapes de construction d'un entrepôt de données (acquisition, stockage, traitement et accès), modélisation multidimensionnelle des données, techniques OLAP, types d'architectures des entrepôts de données, optimisation des performances et matérialisation de cubes de données. Visualisation de l’information et de la connaissance. Intégration des deux technologies de fouille de données et entreposage de données. Applications et outils de la veille économique. | ||||
2. Objectifs spécifiques du cours : | ||||
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. Ce cours a comme objectifs plus spécifiques de:
| ||||
3. Stratégies pédagogiques : | ||||
Il s'agit d'un cours magistral avec travaux individuels et travaux d'équipe. | ||||
4. Heures de disponibilité ou modalités pour rendez-vous : | ||||
Période de consultation sur rendez-vous : les mercredis de 15 h 30 à 17 h 30 | ||||
5. Plan détaillé du cours sur 15 semaines : | ||||
Semaine | Thèmes | Dates | ||
1 | Présentation du cours et introduction à l'intelligence d'affaires | 06 sept. 2017 | ||
2 | Techniques de prétraitement de données : épuration, intégration et transformation | 13 sept. 2017 | ||
3 |
Découverte de connaissances : raison d'être et étapes Formation des équipes |
20 sept. 2017 | ||
4 |
Techniques de fouille de données et applications Synthèse d'article: 10 points |
27 sept. 2017 | ||
5 |
Classification et prédiction : arbres de décision, réseaux Bayésiens, régression et mesures de précision Liste des projets de session |
04 oct. 2017 | ||
6 | Semaine d'études | 11 oct. 2017 | ||
7 |
Regroupement (clustering) : classification hiérarchique, K-means, analyse formelle de concepts Exercices: 10 points |
18 oct. 2017 | ||
8 | Règles d'association et mesures de qualité | 25 oct. 2017 | ||
9 |
Étapes de construction d'un entrepôt de données Ébauche du projet de session |
01 nov. 2017 | ||
10 | Modélisation multidimensionnelle et stratégies de conception | 08 nov. 2017 | ||
11 |
Techniques OLAP |
15 nov. 2017 | ||
12 | Architectures des ED et optimisation des performances Exercices en ED: 10 points | 22 nov. 2017 | ||
13 | Présentations orales: 15 points | 29 nov. 2017 | ||
14 | Présentations orales (fin) | 06 déc. 2017 | ||
15 |
Examen: 30 points Rapport final: 25 points |
13 déc. 2017 | ||
6. Évaluation du cours : | ||||
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-TPX-Nom. 1. Synthèse et critique d'un article (travail individuel, 27 septembre): 10 points La synthèse ne doit pas dépasser 1600 mots. L'étudiant doit indiquer le nombre de mots de sa synthèse. 2. Travail pratique (travail en équipe, 18 octobre: 10 points. 2. Exercices (travail en équipe, 22 novembre): 10 points 4. Examen (13 décembre): 30 points 5. Projet de session (en équipe de deux si le nombre d'étudiants inscrits dépasse 8) 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 trois composantes suivantes:
Voici quelques suggestions de sujets de projets de session:
Les consignes de réalisation des divers travaux feront l'objet d'un document à part. Toute note inférieure à 52 % à l'examen entraîne systématiquement un échec au cours. | ||||
7. Politiques départementales et institutionnelles : | ||||
| ||||
8. Principales références : | ||||
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. Ralph Kimball, Margy Ross, (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, 2013. Alejandro Vaisman & Estaban Zimanyi, (2014). Data Warehouse Systems - Design and Implementation, Springer, 2014. Une version électronique du livre existe sur le site Web de la bibliothèque de l'UQO. Rick Sherman (2015). Business Intelligence Guidebook: From Data Integration to Analytics, 1st Edition, Morgan Kaufmann, 2015. 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. 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/ Documentation sur le livre de Vaisman et al. https://cs.ulb.ac.be/DWSDIbook/ The Data Warejousing Institute (TDWI) | ||||
9. Page Web du cours : | ||||
https://moodle.uqo.ca |