Introduction à la science des données et à l'intelligence d'affaires - 8INF428

• Tous les cours
• Départements
• Premier cycle
• Cycles supérieurs
• Recherche par critères

(3.0 cr.)

Objectifs généraux

• S'approprier les fondements, concepts et enjeux de la science des données et de l'intelligence d'affaires, en les reliant à leurs applications concrètes.
• Comparer les rôles, outils, sources de données et processus dans les projets orientés données.
• Appliquer les méthodologies et étapes d'un projet en science des données tout en étant appelé à mobiliser ses savoirs dans un contexte professionnel.

Quelques objectifs spécifiques parmi d'autres

Distinguer données, information et connaissance; Différencier science des données, intelligence artificielle et intelligence d'affaires; Distinguer les rôles professionnels; Expliquer les caractéristiques du Big Data; Identifier les principales sources de données; Évaluer la qualité des données et l'usage des métadonnées; Identifier les éléments constituant l'architecture d'un système décisionnel; Appliquer CRISP-DM pour décrire les étapes d'un projet; Collaborer dans un projet multidisciplinaire; Examiner les enjeux de gouvernance des données.

Fondements, concepts et enjeux de la science des données et de l'intelligence d'affaires : données, information, connaissance; secteurs d'application (finance, santé, marketing, transports intelligents, cybersécurité); historique du domaine; rôles professionnels (scientifique de données, analyste d'affaires, ingénieur de données, architecte de solutions); Big Data et ses 5V (volume, vélocité, variété, véracité, valeur); types de données (structurées bases SQL, semi-structurées JSON/XML, non structurées images, vidéos, textes); outils et environnements (Python, R, Tableau, Power BI, Hadoop, Spark); sources et techniques d'acquisition (ERP SAP, Oracle; APIs Twitter, Google Maps; IoT capteurs connectés); qualité et gouvernance des données (nettoyage, cohérence, intégrité); métadonnées (catalogues de données, dictionnaires); architectures décisionnelles (entrepôts de données, data lakes, data warehouses en nuage comme Snowflake ou BigQuery); méthodologies de projet (CRISP-DM, KDD); visualisation et tableaux de bord interactifs; enjeux éthique et de conformité (RGPD, biais algorithmiques, vie privée, lois locales comme la Loi 25 au Québec); impacts sociaux et organisationnels (transparence, automatisation, transformation numérique).

Formule pédagogique : Cours Magistral

---

Programmes dans lesquels se trouve ce cours