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
The module is organised around 4 core subject areas:
- Data Preprocessing
- Data Classification
- Clustering
- Complex Networks
Compétences préalables
- basic python scripting and SQL
- basic calculus, linear algebra and statistics concepts
Objectifs d'apprentissage
Students understand how to use data analysis tools to process large, structured and heterogeneous data collections.
- They learn the basics of the data analysis
- They know the main tools and techniques to address the analysis of large data sets
- They learn and use the most common classification techniques
- They learn how to exploit the networking structure of the data to handle the complexity and dynamicity of large set of data
- They learn the main tools for data and results visualization
- They 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 (univariate and bivariate analysis, features selection, dimensionality reduction)
- Linear Regression, Logistic Regression
- Data Classification, Bagging and Boosting, classifiers evaluation
- Clustering and clustering validation
- Recommendation Systems
- Complex Networks Theory
- Network measures and Models
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 and tools, as required.
Practical work will complement the theory, so that students can put in practice the studied arguments.
Bibliographie
Lecture slides, references to internet resources and books
Télécharger le descriptif complet
Retour