agrandir le texte diminuer le texte

Accès direct au contenu

DATA - INFORMATIQUE - STATISTIQUE Portails : www - étudiants - personnels DATA - INFORMATIQUE - STATISTIQUE

Vous êtes ici : Accueil > Nos formations > Formations initiales > M2 SISE > Enseignements de M2 IDS-SISE

Enseignements de M2 IDS-SISE

 

Semestre 3 (30 ECTS)

UE Informatique appliquée (9 ECTS)

  • Programmation Statistique sous R (R. Rakotomalala)
Apprentissage de R. Programmation des algorithmes de statistique et de data mining sous R. Programmation big data (map reduce) sous hadoop. Programmation R sous spark. Création de packages.

  • Machine Learning sous Python (R. Ratsimbazafy)
Bases de la programmation python, structures vectorielles et matricielles. Algorithmes de machine learning d'apprentissage supervisé et non supervisé (svm - support vector machine, dbscan, birch,…). Image mining, traitement des données images.

  • Entrepôts de données avancés (O. Boussaid & F. Bentayeb)
[Commun avec BI&BD] Modélisation, création et exploitation des entrepôts de données (datawarehouse). Reporting. Tableau software.

  • Logiciels spécialisés - Statistique, Data mining, BI (A. Follet)

 Data visualisation. Outils de reporting. Technologies Qlik (QlikView, QlikSense).

UE Applications (9 ECTS)

  • Text Mining - Données non structurées (R. Rakotomalala)

Appréhension et traitement de documents texuels à l'aide de méthodes de data mining et de machine learning. Techniques de nettoyage et préparation de textes. Recherche de structures, topic modeling, classement de documents. Mise en valeur des résultats avec Shiny. TD sous R et Python.

  • Applications, Marketing (W. Batat)
Marketing stratégique et opérationnel.

  • Fouille de données massives (J. Jacques)

[Commun avec BI&BD] Etude des techniques de machine learning et de data mining adaptées aux très grandes volumétries. TD sous R.

UE Méthodes statistiques (12 ECTS)

  • Séries temporelles et données séquentielles (J. Jacques)
Etude des données temporelles. Modélisation, analyse et prévision. TD sous R.

  • Analyse de variance et plans d'expérience (R. Abdesselam)
Inférence statistique. Estimations et tests. Comparaison de populations, anova, ancova. Méthodes paramétriques. TD sous SAS.

  • Biostatistique, données catégorielles (A. Follet)
Biostatistique. Traitement des données catégorielles. Tableaux de contingence. Régression logistique. Modèles log-linéaires. TD sous SAS.

Semestre 4 (30 ECTS)

UE Professionnalisation (7 ECTS)

  • Gestion de projets (N. Harbi)
[Commun avec BI&BD et OPSIE] Démarches agiles. Organisation des projets transversaux (forum entreprise, dataday, securiday, conférences des métiers,…).

  • Techniques de recherche d'emploi (S. Delameziere)
Ecriture des CV. Rédaction des lettres de motivation. Conduite des entretiens. Réseaux professionnels.

  • Anglais (J. Heffernan)
[Commun avec BI&BD et OPSIE] Anglais informatique.

  • Séminaires de recherche et ateliers techniques (M. Esbelin & G. Constant, DATALYO)
[Commun avec BI&BD] Technologies Big Data. Comprendre et manipuler la chaîne de valeur Big Data. Plateforme Hadoop, stockage, requêtage, dataviz. De l'installation de la plateforme jusqu'à l'analyse des données, en passant par les étapes intermédiaires. Mise en oeuvre, illustrée par des cas pratiques et des retours d'expérience concrets.

 

UE Data Science (11 ECTS)

  • Visualisation et analyse des données de sécurité (D. Pierrot & R. Rakotomalala)
[Commun avec OPSIE] Traitement des données issues de la sécurité informatique. Mise en œuvre des techniques supervisées et non-supervisées de machine learning. Réseaux de neurones. TD sous R.

  • Web mining - Analyse des réseaux sociaux (R. Rakotomalala)
Exploitation des données du web. Web mining. Filtrage collaboratif et système de recommandation. Analyse des données tweeter. Analyse des sentiments. Découverte des communautés dans les réseaux sociaux. TD sous R et Python.

  • Data Mining et apprentissage statistique (J. Ah-Pine)
Techniques avancées de machine learning. Deep learning. Techniques de réduction des dimensionnalités non linéaires. Méthodes de régression pénalisées (ridge, lasso, elasticnet). TD sous R.

  • Initiation à la recherche - Big Data (F. Andrianasolo, ATOS)

[Commun avec BI&BD] Technologies avancées et ecosystèmes Big Data. Spark. Librairie Machine learning MLlib.

Stage (12 ECTS)

Stage en entreprise ou dans un organisme de recherche. 4 mois minimum. 6 mois maximum.

Syllabus des cours

A venir


mise à jour le 12 mai 2017



Logo_DIS-NewLogo ICOM
Université Lumière Lyon 2