Veille technologique en Data Sciences

Veille technologique en Data Sciences GIN5L10

Enseignant:

Email:

Durée totale du cours: 22.5 H

Semestre : 5

Option concernée : Ingénierie logicielle 

Nombre de crédits : 2

option Ingénierie systèmes et réseaux

Nombre de crédits : 2

option Ingénierie des connaissances

Nombre de crédits : 2

Sommaire:

Objectifs :

• Surveillance des nouvelles technologies : La veille technologique implique la surveillance constante des nouvelles technologies qui pourraient avoir un impact sur le domaine des Data Sciences, telles que les nouvelles méthodes d'analyse de données, les algorithmes de machine learning, les outils d'analyse de big data, etc.
• Suivi des tendances et des avancées : Elle vise à suivre les tendances émergentes dans le domaine de la Data Science, comme les domaines d'application émergents, les nouvelles approches méthodologiques, ou les défis spécifiques.
• Collecte et analyse de l'information : La veille technologique requiert la collecte d'informations pertinentes à partir de diverses sources telles que les revues scientifiques, les brevets, les publications en ligne, les conférences, les blogs spécialisés, etc. Ces informations sont ensuite analysées pour en extraire des enseignements et des connaissances utiles.
• Évaluation de l'impact : Elle permet d'évaluer l'impact potentiel des nouvelles technologies et des tendances sur les entreprises, les organisations et la société en général. Cela peut inclure la manière dont ces technologies pourraient transformer les processus métier, améliorer les résultats, ou perturber les industries existantes.
• Prise de décision éclairée : La veille technologique fournit des informations précieuses qui aident les décideurs à prendre des décisions éclairées concernant les orientations futures, les investissements, les partenariats, les projets de recherche, et les priorités en matière de développement.

Sujets couverts :

1. Introduction à la veille technologique: Présentation du concept de veille technologique, son importance dans le domaine des Data Sciences, et ses objectifs.
2. Sources de données: Exploration des différentes sources de données disponibles pour effectuer une veille technologique, telles que les bases de données, les publications scientifiques, les brevets, les forums de discussion, les réseaux sociaux, etc.
3. Méthodologies de recherche: Apprentissage des différentes méthodes et outils pour mener une recherche efficace dans le domaine des Data Sciences.
4. Analyse et synthèse de l’information: Techniques d'analyse et de synthèse des informations recueillies afin de les rendre utiles et exploitables dans le contexte des Data Sciences.
5. Tendances et avancées technologiques: Identification des tendances émergentes et des avancées technologiques dans le domaine des Data Sciences.
6. Analyse comparative : Comparaison des différentes technologies et approches dans le domaine des Data Sciences pour évaluer leurs avantages et leurs limitations.
7. Évaluation de l'impact technologique: Analyse de l'impact potentiel des nouvelles technologies sur les entreprises, les organisations et la société.
8. Présentation et communication : Techniques de présentation et de communication efficaces pour partager les résultats de la veille technologique
9. études de cas et exemples concrets de veille technologique en Data Sciences :

• Détection de fraudes financières : Une entreprise de services financiers met en place une veille technologique pour surveiller les nouvelles méthodes et outils de détection de fraudes dans les transactions financières. Ils identifient une nouvelle approche basée sur l'utilisation de réseaux de neurones pour détecter les activités suspectes avec une précision accrue. En adoptant cette nouvelle technologie, ils parviennent à réduire les pertes liées aux fraudes et à renforcer la confiance de leurs clients.
• Analyse de sentiments pour les médias sociaux : Une entreprise de marketing numérique utilise la veille technologique pour suivre les derniers développements en matière d'analyse de sentiments sur les médias sociaux. Ils découvrent un nouvel algorithme de traitement du langage naturel capable d'identifier les émotions des clients dans les commentaires et les messages sur les réseaux sociaux. En intégrant cette technologie dans leurs campagnes marketing, ils peuvent mieux comprendre les préférences des clients et adapter leurs stratégies en conséquence.
• Optimisation de la chaîne d'approvisionnement : Une entreprise de logistique utilise la veille technologique pour surveiller les nouvelles solutions d'optimisation de la chaîne d'approvisionnement. Ils repèrent un système basé sur l'apprentissage par renforcement pour optimiser les itinéraires de livraison en temps réel en fonction des conditions de circulation. En mettant en œuvre cette solution, ils parviennent à réduire les délais de livraison, les coûts opérationnels, et à améliorer la satisfaction des clients.
• Santé et médecine prédictive : Un centre de recherche médicale utilise la veille technologique pour suivre les avancées en matière de médecine prédictive basée sur l'analyse de données. Ils identifient un modèle de prédiction de maladies cardiovasculaires utilisant des techniques de machine learning. En adoptant cette approche, ils peuvent anticiper les risques de maladies chez les patients et leur offrir un suivi médical personnalisé, contribuant ainsi à améliorer les résultats cliniques.
• Analyse de données géospatiales pour l'agriculture : Une coopérative agricole surveille les dernières avancées en analyse de données géospatiales pour améliorer les rendements et l'efficacité de l'agriculture. Ils découvrent un outil basé sur l'apprentissage automatique capable de prédire les rendements des cultures en fonction de facteurs tels que le sol, le climat, et les pratiques agricoles. En utilisant cette technologie, ils peuvent optimiser leurs opérations agricoles, économiser des ressources et maximiser les rendements…

Méthodes d’enseignement et d’apprentissage

• Enseignement frontal (magistral) avec des exemples à résoudre en
• Exercices théoriques et études de cas (présentation et discussion).
• Apprentissage mixte et classe inversée
• MOOC & Google Classroom

Connaissances et compétences pré-requises

1. Fondements en Informatique :
   • Compréhension des concepts de base de l'informatique, y compris les structures de données, les algorithmes, et les principes de programmation.
2. Mathématiques :
   • Maîtrise des mathématiques, notamment l'algèbre linéaire, le calcul différentiel et intégral, les statistiques et la probabilité, qui sont essentiels pour la compréhension des concepts de Data Sciences.
3. Programmation :
   • Compétences en programmation dans des langages couramment utilisés en Data Sciences, tels que Python ou R.
   • Compréhension des bonnes pratiques de programmation, de la gestion de versions, et de l'écriture de code propre et efficace.
4. Bases de données :
   • Connaissance des bases de données relationnelles et de SQL (Structured Query Language).
   • Compréhension des systèmes de gestion de bases de données (SGBD) et de la modélisation de données.
5. Statistiques et Analyse de Données :
   • Familiarité avec les concepts statistiques de base, tels que la distribution, la régression, l'échantillonnage, etc.
   • Capacité à utiliser des outils d'analyse de données pour explorer, visualiser et analyser des ensembles de données.
6. Machine Learning et Data Mining :
   • Connaissance des concepts de base de l'apprentissage automatique (Machine Learning) et de l'extraction de connaissances à partir de données (Data Mining).
   • Compréhension des algorithmes courants en Machine Learning.
7. Systèmes Informatiques :
   • Compréhension des principes de base des systèmes informatiques, notamment l'architecture matérielle et logicielle.
8. Anglais Technique :
   • Maîtrise de l'anglais technique, car de nombreuses ressources et publications en Data Sciences sont en anglais.
9. Communication et Collaboration :
   • Compétences en communication pour présenter des résultats, travailler en équipe et collaborer sur des projets de Data Sciences.

 Références bibliographiques

• Un support de cours de l’enseignant sera disponible et une
• Recommendation:
• "Data Science for Business" par Foster Provost et Tom Fawcett - Ce livre est un excellent point de départ pour comprendre comment la data science est appliquée dans le contexte commercial.
• "Python for Data Analysis" par Wes McKinney - Ce livre est utile pour apprendre à utiliser Python dans l'analyse de données, une compétence importante en data science.
• "Introduction to the Practice of Statistics" par David S. Moore, George P. McCabe, et Bruce A. Craig - Ce livre couvre les bases de la statistique, qui est essentielle en data science.
• "Big Data: A Revolution That Will Transform How We Live, Work, and Think" par Viktor Mayer-Schönberger et Kenneth Cukier - Ce livre explore les concepts et les implications du big data.
• "The Art of Data Science" par Roger D. Peng - Ce livre offre des conseils sur la manière de mener des projets de data science de manière efficace.
• "Data Science Ethics" par Mike Loukides - Ce livre aborde les questions éthiques liées à l'utilisation des données en data science.

Modalité d’évaluation

• 40% Contrôle continu (TP noté, Test, Assiduité, Devoir surveillé, travaux non présentiel, …)
• 60% Examen semestriel

Résultats d'apprentissage :

1. Compréhension des principes fondamentaux de la veille technologique et son importance dans le domaine des sciences des données.
2. Capacité à identifier les sources d'informations pertinentes pour la veille technologique en data sciences.
3. Maîtrise des outils et des techniques de collecte, d'analyse et de traitement de l'information technologique.
4. Compétence pour évaluer la fiabilité et la pertinence des informations collectées dans le contexte des sciences des données.
5. Capacité à synthétiser et à présenter les résultats de la veille technologique de manière claire et concise.
6. Connaissance des tendances actuelles et émergentes en data sciences, y compris les avancées technologiques et les développements récents.
7. Compréhension des enjeux éthiques liés à la veille technologique en data sciences, tels que la confidentialité des données et la protection de la vie privée.
8. Aptitude à anticiper les évolutions technologiques dans le domaine des sciences des données et à recommander des stratégies d'adaptation.
9. Capacité à travailler en équipe pour réaliser des projets de veille technologique en data sciences.
10. Connaissance des réglementations et des normes liées à la veille technologique en data sciences