Portail nationalFormationRechercher par discipline

Entreposage et fouille de données

Code UE : STA211

  • Cours
  • 9 crédits
  • Volume horaire de référence
    (+ ou - 10%) : 70 heures

Responsable(s)

Ndeye NIANG KEITA

Vincent AUDIGIER

École de la Santé École du numérique et de l'IA

Public, conditions d’accès et prérequis

être admis en M2 du master STIC, mention statistique ou être agréé.
La demande d'agrément est à faire uniquement pour les auditeurs qui souhaitent suivre STA211 en présentiel au semestre 1. Pour obtenir l'agrément, les auditeurs adresseront, à partir du 25 Août,   par courrier électronique à l'enseignant responsable : ndeye.niang_keita@cnam.fr, un CV détaillé et une lettre de motivation indiquant les raisons de  la demande et le projet pédagogique dans lequel elle s'inscrit . Une réponse sera donnée dans un délai d'une dizaine de jours.
Niveau requis : NFA008 (bases de données) et STA101 (analyse des données, méthodes descriptives). Ces prérequis sont indispensables pour obtenir l'agrément. Vérifier avant d'envoyer une demande d'agrément.

L'avis des auditeurs

Les dernières réponses à l'enquête d'appréciation pour cet enseignement :

Présence et réussite aux examens

Pour l'année universitaire 2023-2024 :

  • Nombre d'inscrits : 90
  • Taux de présence à l'évaluation : 54%
  • Taux de réussite parmi les présents : 29%

Mots-clés

Contenu

Modèles prévisionnels et systèmes de gestion de l'entreprise 
- structures spécifiques des bases de données de Data warehouse (star schema)
- OLAP
Méthodologies générales 
- Méthodologies de Data Mining
Pré-traitement des données 
- Analyses de la qualité des données,
- Techniques d'appréhension des valeurs manquantes ou aberrantes
- Techniques de construction de bases de travail (agrégations, etc. . . )
Données et techniques de fouille 
Méthodes non supervisées : 
- Cartes de Kohonen,  Règles d'association 
Méthodes supervisées : 
- Rappels de théorie de l'apprentissage
- Arbres de décision, forêts aléatoires, Réseaux de neurones, deep learning
- Méta-algorithmes : 
- boosting, bagging
Fouille dans de nouveaux types de données et méthodes associées : 
- Données textuelles - Données multivues - Images et Multimedia
Outils : 
- Environnements freeware : R, Python
- Outils spécifiques : SAS-EM,  SPAD
- Data Mining et bases de données : OLAP Business Object
 

Modalité d'évaluation

L'évaluation s'effectuera à la fois :
  • sous la forme d'un examen sur table pour la partie cours
  • sous la forme d'un projet consistant en une fouille de données pour la partie pratique

Bibliographie

  • M.BARDOS : Analyse discriminante (Dunod, 2001)
  • G.SAPORTA : Probabilités, analyse des données et statistique (Technip, 2006)
  • S.TUFFERY : Data mining et statistique décisionnelle (Technip, 2005)
  • S.TUFFERY : Etude de cas en statistique décisionnelle (Technip, 2009)
  • T.HASTIE, J.FRIEDMAN, F.TIBSHIRANI : The Elements of Statistical Learning (Springer, 2009). Téléchargeable ici : https://hastie.su.domains/ElemStatLearn/printings/ESLII_print12_toc.pdf.download.html
  • G.GOVAERT (ed) : Analyse des données (Hermes,2003)
  • L. LEBART, A. MORINEAU, M. PIRON : Statistique exploratoire multidimensionnelle (1995)
  • J.P.NAKACHE, J.CONFAIS : Statistique explicative appliquée (Technip, 2003)
  • G. JAMES D. WITTEN, T. HASTIE, R. TIBSHIRANI : An Introduction to Statistical Learning (2021) with Applications in R. Téléchargeable ici : https://hastie.su.domains/ISLR2/ISLRv2_corrected_June_2023.pdf.download.html
  • G. JAMES D. WITTEN, T. HASTIE, R. TIBSHIRANI and J. TAYLOR : An Introduction to Statistical Learning (2023) with Applications in Python. Téléchargeable ici : https://hastie.su.domains/ISLP/ISLP_website.pdf.download.html

Cette UE apparaît dans les diplômes et certificats suivants

Contact

EPN06 Mathématiques et statistiques
2 rue conté Accès 35 3 ème étage porte 19
75003 Paris
Anne - Solenne Maroulle
Voir le site

Voir le calendrier, le tarif, les conditions d'accessibilité et les modalités d'inscription dans le(s) centre(s) d'enseignement qui propose(nt) cette formation.

UE

    • Paris
      • Paris
        • 2025-2026 2nd semestre : Formation ouverte et à distance (FOAD)
        Comment est organisée cette formation ?
        2025-2026 2nd semestre : Formation ouverte et à distance

        Dates importantes

        • Période des séances du 02/02/2026 au 06/06/2026
        • Période d'inscription : du 02/06/2025 à 10:00 au 06/03/2026 à 18:00
        • Date de 1ère session d'examen : la date sera publiée sur le site du centre ou l'ENF
        • Date de 2ème session d'examen : la date sera publiée sur le site du centre ou l'ENF

        Précision sur la modalité pédagogique

        • Une formation ouverte et à distance (FOAD) est une formation dispensée 100% à distance, qui peut être suivie librement, à son rythme.
        • Regroupements physiques facultatifs : Aucun

        Organisation du déploiement de l'unité

        • Nombre d'élèves maximum à distance par classe : 40
        • Nombre d'heures d'enseignement par élève : 77
        • Délai maximum de réponse à une solicitation : sous 96 heures (Jours ouvrés)

        Modes d'animation de la formation

        • Forum
        • Visioconférence
        • Organisation d'une séance de démarrage
        • Evaluation de la satisfaction
        • Hot line technique

        Ressources mises à disposition sur l'Espace Numérique de Formation

        • Documents de cours
        • Enregistrement de cours
        • Documents d'exercices, études de cas ou autres activités pédagogiques
    • Liban
      • Liban
        • 2025-2026 1er semestre : Formation en présentiel soir ou samedi
        • 2026-2027 1er semestre : Formation en présentiel soir ou samedi
        • 2027-2028 1er semestre : Formation en présentiel soir ou samedi
        Comment est organisée cette formation ?
        2025-2026 1er semestre : Formation en présentiel soir ou samedi

        Précision sur la modalité pédagogique

        • Une formation en présentiel est dispensée dans un lieu identifié (salle, amphi ...) selon un planning défini (date et horaire).