INFO9013-1

Durée

12h Th, 28h Pr

Nombre de crédits

	Master : bioingénieur en sciences agronomiques, à finalité	4 crédits
	Master : bioingénieur en chimie et bioindustries, à finalité	4 crédits
	Master : bioingénieur en sciences et technologies de l'environnement, à finalité	4 crédits
	Master : bioingénieur en gestion des forêts et des espaces naturels, à finalité	4 crédits

Enseignant

Yves Brostaux, David Colignon, Benoît Mercatoris, Hélène Soyeurt

Coordinateur(s)

Hélène Soyeurt

Langue(s) de l'unité d'enseignement

Langue anglaise

Organisation et évaluation

Enseignement au deuxième quadrimestre

Horaire

Horaire en ligne

Unités d'enseignement prérequises et corequises

Les unités prérequises ou corequises sont présentées au sein de chaque programme

Contenus de l'unité d'enseignement

Le cours se divise en 6 modules d'apprentissage composés d'une séance en présentiel podcastée de 2h et 4h d'activités e-learning :

Module 1: Basics in Python for Data Science : first tips (H.Soyeurt)
Module 2: Development and implementation of validation procedures (Y. Brostaux)
Module 3 : Use of a remote calculation server, management and parallelization of calculations (CECI Consortium) (H. Soyeurt & D. Colignon)
Module 4: Supervised methods applied to image analysis (B. Mercatoris)
Module 5: Unsupervised methods applied to spatial clustering (Y. Brostaux)
Module 6: Deep learning with tensorflow and convolutional neural network (H. Soyeurt)

Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement

A l'issue du cours, l'étudiant sera capable de mener un projet d'exploration de données du nettoyage des données, en passant par la calibration, la validation et l'implémentation avec Python. L'étudiant sera également capable de communiquer ses résultats vers un public cible.

Savoirs et compétences prérequis

INFO8008-A-a: Multivaried analysis 2: Data Mining & Machine Learning

Activités d'apprentissage prévues et méthodes d'enseignement

Le cours est composé de 6 modules comme mentionné précédemment. Chaque module est composé:

d'une séance en présentiel de 2h reprenant les concepts théoriques
d'une séance e-leaning de 4h mettant en pratique les concepts théoriques vus

Mode d'enseignement (présentiel, à distance, hybride)

Séances en présentiel (30%) + activités e-learning (70%)

Lectures recommandées ou obligatoires et notes de cours

Le cours est donné en anglais. Tous les supports de cours sont disponibles sur la plateforme e-campus du cours.

Modalités d'évaluation et critères

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation orale

Travail à rendre - rapport

Explications complémentaires:

L'évaluation pendant la session d'examens se fera en 2 parties:

une réponse à des questions par écrit (30min)
un examen oral relatif à la réalisation d'un travail donné un mois avant l'examen (15 min).

Code jaune ou orange: L'examen oral se donnera au sein de l'unité de Statistiques en respectant les mesures sanitaires.

Stage(s)

Remarques organisationnelles et modifications principales apportées au cours

Contacts

Hélène Soyeurt Chargé de cours 081/62.25.35 hsoyeurt@uliege.be

Multivaried analysis 3 : Data mining et Machine Learning : advanced