ASM Fouille de données

À l’issue du cours, vous serez capable de :

Cerner les enjeux de l’analyse de données

• • Identifier les défis spécifiques aux données industrielles (qualité, volume, complexité).
  • Comprendre le rôle de l’analyse dans la prise de décision (optimisation, diagnostic, prédiction).

Structurer et préparer les données

• • Nettoyer, transformer et organiser des jeux de données multidimensionnelles.
  • Gérer les données manquantes et les erreurs avec une approche méthodique.

Sélectionner et appliquer des méthodes adaptées

• Choisir entre techniques d’exploration (ACP), de segmentation (K-means) ou d’apprentissage supervisé (régression) selon le problème.
• Justifier le choix des outils statistiques (R/Python, visualisation) pour répondre à une question métier.

Conduire une analyse professionnelle

• Mettre en œuvre des analyses sur des cas réels (ex : clustering de défauts, régression pour l’optimisation des coûts).
• Valider les résultats à l’aide d’indicateurs pertinents (silhouette score, R², p-valeurs).

Interpréter et communiquer les résultats

• Tirer des conclusions actionnables pour l’industrie (ex : seuils d’alerte, paramètres critiques).
• Présenter les résultats sous forme visuelle (graphiques, dashboards) adaptée aux parties prenantes.

Évaluer les limites et alternatives

• Critiquer les biais ou incertitudes des modèles utilisés.

• Proposer des améliorations (ex : collecte ciblée, méthodes hybrides) pour des analyses futures.

Approche pédagogique :

• Études de cas issues du génie industriel (maintenance, logistique, qualité).
• Travaux pratiques sous R/python avec jeux de données réels.
• Focus sur la rigueur scientifique et l’applicabilité terrain.

Ce cours pratique initie les futurs ingénieurs industriels aux méthodes fondamentales d'analyse de données appliquées à la prise de décision. À travers des études de cas concrets, les étudiants découvrent :

• L'acquisition et préparation des données (capteurs, traçabilité, gestion des données manquantes)

• Les techniques d'exploration (ACP, analyse de variance) et de segmentation (K-means, dendrogrammes)

• L'apprentissage supervisé (régression, classification) avec validation rigoureuse des modèles

• Mathématiques
• Statistique
• Manipulation de la donnée
• Connaissance basique des langages R/python