On entend par interopérabilité la capacité à rendre compatibles deux systèmes quelconques. L’interopérabilité nécessite que les informations nécessaires à sa mise en oeuvre soient disponibles sous la forme de standards ouverts.

•  Un format de données est dit ouvert si son mode de représentation a été rendu public par son auteur et qu’aucune entrave légale ne s’oppose à sa libre utilisation.

•  Par standard, on entend une spécification technique, suffisante pour en développer une implémentation complète, de préférence approuvée par un organisme de standardisation indépendant.

Voir la page complète

Il s'agit de maîtriser l’utilisation des modèles linéaires dans un cadre statistique.

1. Modèle linéaire pour variables quantitatives.
2. Modèle linéaire gaussien pour variables quantitatives.
3. Analyse des résidus et validation du modèle.
4. Modèle linéaire pour variables qualitatives.

Voir la page complète

• Former les étudiants à l’utilisation des méthodes d’analyse factorielle en apprentissage statistique non supervisé et supervisé. Maîtriser les bases mathématiques des méthodes d'analyse factorielle,
• Être capable d’utiliser des logiciels statistiques pour la mise en œuvre de ces méthodes,
• Être en mesure d’interpréter les  résultats du traitement pour l’analyse des données en vue de la prise de décision.

1. Méthodes mathématiques pour l’analyse des données.
2. Analyse en composantes principales (ACP).
3. Décomposition en valeur singulière (SVD) pour l’ACP.
4. Partial Least Square version régression et version analyse canonique.
5. Analyse discriminante via Partial Least Square.

Voir la page complète

Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.

1. Présentation des activités clés de l’apprentissage automatique
2. Méthodes d’apprentissage supervisé: régression et classification binaire
3. Approches et algorithmes pour l’apprentissage supervisé
4. Apprentissage itératif basé sur l’optimisation
5. Généralisation, régularisation et Validation

Voir la page complète

Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données.

1. Notions d’apprentissage profond supervisé;
2. Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
3. Structurer et préparer les données sous une forme appropriée;
4. Implémenter un perceptron ;
5. Comprendre l’action des hyperparamètres de base.

Voir la page complète