Polytech'Clermont - Génie Mathématique & Modélisation - Statistique et Bases de Données.

Génie Mathématique & Modélisation

Statistique et Bases de Données.
Génie Mathématique & Modélisation	Année 3, Semestre S9 Cycle ingénieur	5 crédits ECTS	3GMS9SBD
Objectifs	Etre capable de traiter informatiquement des données issues de systèmes d'informations ou d'études, d'en extraire l'information pertinente par des méthodes statistiques et d'en interpréter les résultats.
Liste des EC	Bases de Données Avancées Data Mining Logiciel SAS. Statistiques 3.
Horaire encadré	76 h
Travail personnel	40 h
Évaluation	25% Bases de Données Avancées 25% Data Mining 25% Logiciel SAS. 25% Statistiques 3.
Pré-requis	Modules « Probabilité et Statistique » (S8).
Responsable	Pierre DRUILHET
	18/08/2008

Génie Mathématique & Modélisation	Bases de Données Avancées
Objectifs	Approfondissement des concepts de bases de données et de systèmes de gestion de bases de données. Connaître les nouveaux contextes d'utilisation des bases de données.
Compétences	Capacité d'intégrer des projets industriels s'appuyant sur différents types de bases de données. Capacité d'appréhender les performances d'une base de données. Aptitude à être l'interlocuteur privilégié d'un administrateur de bases de données.
Description	Nouveaux enjeux des bases de données. Optimisation de requêtes. Aperçu de l'administration de bases de données. Bases de données réparties. Bases de données objet-relationnelles. Bases de données multimédias. Bases de données et le Web. Bases de données et le décisionnel. Web services.
Horaire encadré	20h (10h CM + 10h TD)
Évaluation	Examen final, Écrit
Bibliographie	Bases de données : objet et relationnel, Gardarin G, Eyrolles (2001) SGBD avancés : bases de données objets, déductives, réparties, Valduriez P, Ozsu MT, Ed. Prentice Hall (1991) Bases de données, Gardarin G, Eyrolles (2002) Programmation en PHP, Atkinson L, Campus Press (2000) Web services concepts, architectures and applications, Alonso G, Casati F, Kuno H, Machiraju V, Springer (2004)
Support	SGBD MySQL + langage de script PHP, SGBD Oracle
Enseignants	Marinette BOUET
	17/07/2009

Génie Mathématique & Modélisation	Data Mining
Objectifs	Être capable de mettre en œuvre les principales techniques d'extraction d'information à partir de grande masses de données
Compétences	Capacité de choisir selon l'étude demandée la bonne méthode d'analyse de données à mettre en oeuvre. Aller jusqu'à l'interprétation des résultats.
Horaire encadré	12h (6h CM + 6h TD)
Bibliographie	Probabilités, analyse des données et statistique, Saporta G, echnips (1990)
Enseignants	Gaelle LOOSLI
	17/07/2009

Génie Mathématique & Modélisation	Logiciel SAS.
Objectifs	Applications de méthodes d'analyse exploratoire multivariée et de régression
Compétences	Capacité de mener des analyses de données complexes avec SAS.
Description	Analyse des données : Analyse en composantes principales, analyse des correspondances multiples, analyse factorielle discriminante. Modèle linéaire, modèle linéaire généralisé.
Horaire encadré	16h (8h TD + 8h TP)
Évaluation	Contrôle continu, Travail pratique
Bibliographie	Analyse exploratoire multivariée, Lebart L, Morineau A, Piron M, Dunod (2004) Le modèle linéaire par l'exemple, Bardet JM, Azaïs JM, Dunod (2006)
Enseignants	Candy AUCLAIR
	18/08/2008

Génie Mathématique & Modélisation	Statistiques 3.
Objectifs	Présentation de méthodes d'analyse exploratoire multivariée et de régression
Compétences	Aptitude à analyser un tableau de données complexes par des méthodes de statistique exploratoire multivariée ou de régression.
Description	Analyse des données : Analyse en composantes principales, analyse des correspondances multiples, analyse factorielle discriminante. Modèle linéaire, modèle linéaire généralisé.
Horaire encadré	28h (14h CM + 14h TD)
Évaluation	Examen final, Écrit
Bibliographie	Analyse exploratoire multivariée, Lebart L, Morineau A, Piron M, Dunod (2004) Le modèle linéaire par l'exemple, Bardet JM, Azaïs JM, Dunod (2006)
Enseignants	Pierre DRUILHET
	18/08/2008