MSE Master of Science in Engineering

The Swiss engineering master's degree


Chaque module vaut 3 ECTS. Vous sélectionnez 10 modules/30 ECTS parmi les catégories suivantes:

  • 12-15 crédits ECTS en Modules technico-scientifiques (TSM)
    Les modules TSM vous transmettent une compétence technique spécifique à votre orientation et complètent les modules de spécialisation décentralisés.
  • 9-12 crédits ECTS en Bases théoriques élargies (FTP)
    Les modules FTP traitent de bases théoriques telles que les mathématiques élevées, la physique, la théorie de l’information, la chimie, etc., vous permettant d’étendre votre profondeur scientifique abstraite et de contribuer à créer le lien important entre l’abstraction et l’application dans le domaine de l’innovation.
  • 6-9 crédits ECTS en Modules contextuels (CM)
    Les modules CM vous transmettent des compétences supplémentaires dans des domaines tels que la gestion des technologies, la gestion d’entreprise, la communication, la gestion de projets, le droit des brevets et des contrats, etc.

Le descriptif de module (download pdf) contient le détail des langues pour chaque module selon les catégories suivantes:

  • leçons
  • documentation
  • examen 
Data Analysis and Classification (TSM_DataAnaCla)

The module is organised around 4 core subject areas:

  • Data Preprocessing
  • Data Classification
  • Clustering
  • Complex Networks

Compétences préalables

  • basic python scripting
  • basic mathematical analysis and linear algebra

Objectifs d'apprentissage

Students understand how to use database technologies and data analysis tools and languages to process large data collections.

  • They learn the basics of the analysis of large data sets
  • They know the main tools to address analysis of large data sets
  • They will learn and use the most common classification techniques
  • They will learn methods for processing and clustering with the purpose of effective analysis
  • They can reuse the material acquired in this course in their own working environment and apply them to solve their specific problems
  • They know the current research directions within these domains.

Catégorie de module

The content of the module is the following:

  • Introduction to data analysis
  • Data Preprocessing (noise and outliers, aggregation, PCA, features selection, etc. )
  • Linear Regression, Logistic Regression
  • Data Classification and classifier evaluation
  • Clustering and cluster validation
  • Recommendation Systems
  • Complex Networks

Méthodes d'enseignement et d'apprentissage

Problem based learning. During the lesson the lecturer will introduce real world problems and the class will try to solve them together. The lecturer will support the problem solving process, introducing new concepts, as required.

Bibliographie

Lecture slides, references to internet resources and books

Télécharger le descriptif complet

Retour