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 marketing

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

    Maîtrise universitaire ès Sciences en management, Orientation business analytics

    Maîtrise universitaire ès Sciences en management, Orientation comportement, économie et évolution

[attention] Le syllabus du cours est entrain d'être modifié par le professeur responsable. Veuillez consulter cette page à nouveau dans quelques jours. --- A titre informatif uniquement, voici l'ancien syllabus :

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 mises 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. Les comparaisons de modèles seront vu dans un context général. Quelques méthodes d'analyse préliminaires (p.ex. réduction de dimensions) et des sujet plus spécifiques (p.ex. données manquantes) seront couverts si le temps le permet. 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.
  • Prédiction: régression et arbre de régression, MARS.
  • Sélection de modèles: scores (MSE, Accuracy,...)
  • Données manquantes
  • Réduction de dimensions (ACP)
  • Sujets spéciaux: 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