Aller à : contenu haut bas recherche
 
 
EN     FR
Vous êtes ici:   UNIL > HEC Inst. > HEC App. > SYLLABUS
 
 

Machine Learning In Business Analytics

  • Enseignant(s):   M.Boldi  
  • Titre en français: Méthodes d'apprentissage en business analytics
  • Cours donné en: anglais
  • Crédits ECTS: 6 crédits
  • Horaire: Semestre d'automne 2019-2020, 2.0h. de cours + 2.0h. d'exercices (moyenne hebdomadaire)
  •  séances
  • site web du cours site web du cours
  • Formations concernées:
    Maîtrise universitaire ès Sciences en management, Orientation comportement, économie et évolution

    Maîtrise universitaire ès Sciences en management, Orientation stratégie, organisation et leadership

    Maîtrise universitaire ès Sciences en management, Orientation marketing

    Maîtrise universitaire ès Sciences en management, Orientation business analytics

 

Objectifs

Après réussite du cours, les étudiants seront capables de

  • Sélectionner et appliquer rigoureusement des méthodes d'apprentissage automatique pour les cas couverts en cours,
  • Utiliser R pour ces applications
  • Analyser et interpréter les résultats des méthodes d'apprentissage automatique pour les cas couverts en classe.

Contenus

Ce cours présente plusieurs méthodes d'apprentissage automatique dans des contextes de business et gestion. La liste des sujets devrait couvrir essentiellement des méthodes d'apprentissage supervisé pour la classification et la prédiction bien que certains méthodes non-supervisées soient également vues.

Ci-dessous une liste provisoire de sujets. Elle sera adaptée en fonction du rythme de la classe.

  • Classification: plus proche voisin, régression logistique, arbre de classification, classification Bayesienne naive, Support Vector Machine.
  • Régression: régression linéaire, régression et arbre de régression, GAM.
  • Partage de données: ensembles d'apprentissage et de test, validation croisée, boostrap.
  • Sélection de modèles: scores (MSE, Accuracy,...)
  • Apprentissage non-supervisé: regroupement, classification, positionnement multidimensionnel
  • Méthode d'ensembles: random forest, bagging.

Exercices et théorie sont d'importances égales pour la réussite du cours. Un part significative des exercices sera à faire sur le logiciel statistique R.

Références

Pas de document obligatoire.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer Science & Business Media.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media.

Kuhn, M. and Johnson, K. (2013) Appied Predictive Modeling. Springer Science & Business Media.

Evaluation

1ère tentative

Examen:
Ecrit 2h00 heures
Documentation:
Autorisée avec restrictions
Calculatrice:
Autorisée
Evaluation:

Un examen final: 100% de la note finale.

Rattrapage

Examen:
Ecrit 2h00 heures
Documentation:
Autorisée avec restrictions
Calculatrice:
Autorisée
Evaluation:

Examen de rattrapage: 100% de la note finale.



[» page précédente]           [» liste des cours]
 
Recherche


Internef - CH-1015 Lausanne - Suisse  -   Tél. +41 21 692 33 00  -   Fax +41 21 692 33 05
Swiss University