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 de printemps 2020-2021, 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
  • Permalink:



       

 

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:
Sans examen (cf. modalités)  
Evaluation:

- Un examen écrit individuel: 2hrs, organisé durant le semestre.

- Un project d'application: individuel ou en groupes, selon le nombre de participants au cours. Une présentation finale sera organisée durant le semestre.

Note finale = 0.4 examen + 0.6 projet

Rattrapage

Examen:
Sans examen (cf. modalités)  
Evaluation:

Le rattrapage est organisé pour la partie échouée seulement (examen ou projet).

- Examen écrit: un examen écrit de rattraprage de 2hr sera organisé

- Projet: un complément/correction au projet sera demandé.

Seule la partie échouée de la note sera mise à jour.

Note finale = 0.4 examen + 0.6 projet

Exemples:

- Note finale >= 4, pas de rattrapage

- Note finale < 4

- avec examen > 4, projet < 4 => rattrapage du projet, note examen conservée

- avec examen < 4, projet >= 4 => rattrapage de l'examen, note du projet conservée

- avec examen et projet < 4 => rattrapage des deux



[» 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