SDD1002Hiver 2025Data
← Retour au parcours universitaire
Modélisation et simulation
Vue détaillée du cours, des notions étudiées, des technologies mobilisées et des principaux travaux associés.
Code
SDD1002
Session
Hiver 2025
Domaine
Data
Résumé global
Cours orienté vers les techniques théoriques et pratiques de modélisation, de simulation et d’analyse de données. Le cours m’a permis de travailler sur plusieurs étapes d’un pipeline de science des données : collecte, nettoyage, préparation, visualisation, réduction de dimension, modélisation et application d’algorithmes d’apprentissage automatique sur des jeux de données réels.
Technologies utilisées
PythonNumPyPandasScikit-learnMatplotlibKaggle
Notions vues dans ce cours
- Rappel du langage Python
- Web scraping
- Recherche et sélection de jeux de données pertinents
- Nettoyage et préparation des données
- Visualisation des données
- Utilisation de NumPy
- Opérations matricielles
- Produit scalaire et produit croisé
- Déterminant, matrice inverse, systèmes d’équations linéaires
- Valeurs propres et vecteurs propres
- Méthode de Monte-Carlo par chaînes de Markov (MCMC)
- Maximum de vraisemblance
- Algorithme espérance-maximisation
- Visualisation avec Matplotlib et boxplots
- Processus gaussiens
- Utilisation de Pandas pour la manipulation et le nettoyage des données
- Introduction à Scikit-learn
- Réduction de dimension
- Analyse en composantes principales (ACP)
- t-SNE
- Validation croisée
- Régression linéaire
- Clustering
- Classification
- Tests statistiques : p-value, test t, chi carré, ANOVA (selon le temps disponible)
- Réalisation de projets réels en science des données
Travaux et éléments évalués
- TP1 avec présentation et rapport sur un jeu de données sélectionné
- Examen intra incluant un mini-projet
- Projet final avec présentation orale
- Nettoyage, préparation, analyse et visualisation de données
- Application d’algorithmes de modélisation et d’apprentissage automatique