Au terme de ce cours, l’étudiant doit être en mesure de concevoir un système d’information et d’utiliser des techniques d’interrogation de bases de données, de consolidation de données et d’analyse de ces données en fonction du contexte d’utilisation.

Plus précisément, l’étudiant devrait être capable de :

• Analyser les données disponibles dans l’organisation pour dresser un inventaire structuré et repérer les lacunes ou doublons éventuels.
• Diagnostiquer les obstacles à la consolidation des données et appliquer des stratégies permettant de produire une vue d’ensemble cohérente (ex. : tableaux de bord).
• Collecter des données provenant de sources variées (production, fournisseurs, commandes, inventaires, livraisons, etc.) et intégrer ces données dans une base cohérente pour suivre la demande ou pour estimer les besoins logistiques et de transport.
• Sélectionner et mettre en œuvre le processus d’analyse de données le plus approprié en fonction du contexte d’affaires et des objectifs décisionnels.
• Appliquer des outils logiciels pour consolider, nettoyer, transformer et analyser des ensembles de données hétérogènes.
• Effectuer des analyses statistiques et exploratoires en mobilisant les techniques usuelles telles que la corrélation, la régression, la classification, l’agglomération ou les règles d’association.
• Programmer des scripts d’analyse ou d’extraction de données en utilisant les langages Python, SQL et DAX, en réponse à des besoins spécifiques.
• Concevoir des applications simples répondant à des cas concrets issus des domaines de l’opération, de la vente au détail, du transport ou de la logistique.
• Collaborer au sein d’équipes aux profils diversifiés afin de co-construire des solutions analytiques pertinentes, tout en développant des compétences interpersonnelles essentielles au travail en données *.

* La conformation de certains équipes (groupes) sera imposée ou pourra être modifiée arbitrairement de manière à rassembler des membres aux compétences variées, favorisant ainsi une compréhension approfondie du sujet grâce à la collaboration, même si les équipes ne sont pas choisies par les étudiants.

39           heures de cours

24           heures de laboratoires

6             heures de travail personnel/en équipe par semaine, en moyenne sur la durée de la session

Trois (3) heures de cours magistral par semaine. De nombreuses applications seront étudiées en classe pour permettre aux  étudiants de bien assimiler la théorie et les techniques présentées en cours.

Deux (2) heures de travaux pratiques par semaine pour appliquer la théorie étudiée sur des applications commerciales et industrielles.

Les travaux réalisés en dehors des heures de cours et de laboratoire permettront de mettre en pratique les notions vues en classe.

Note : Les chapitres mentionnés sont basés sur le manuel de Ricardo, Urban & Davis (4^e édition).

• Python avec la bibliothèque Pandas pour le traitement de données.

• Langage SQL avec un SGBD relationnel tel que MySQL(ou un des suivants: PostgreSQL, SQLite ou DuckDB)

• Un outil pour manipuler les bases de données relationnelles : MySQL Workbench (ou un des suivants: DBeaver ou phpMyAdmin).

• Power BI avec le langage DAX.

• Une base de données orientée graphe comme Neo4j (ou Memgraph), utilisant le langage Cypher.

Une pondération de 10 % du total des notes des divers travaux sera attribuée à la présentation et à la qualité du français.

Toutes les remises se font par l’intermédiaire du site Moodle.

Retard de remise d’un travail 

Une pénalité de 10 % par jour sera imposée à tous travaux en retard. Une pondération de 10 % du total des notes des divers travaux sera attribuée à la présentation et à la qualité du français. Toutes les remises se font par l’intermédiaire du site Moodle.

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

La lecture, avant chaque cours, de chapitres du livre :

Ricardo, C. M., Urban, S. D., & Davis, K. C. (2022). Databases Illuminated (4th ed.). Jones and Bartlett. ISBN 9781284231588

• Silberschatz, A., Korth, H. F., & Sudarshan, S. (2010). Database System Concepts (6th ed.). McGraw-Hill Education.

• Oppel, A. J. (2009). Databases: A Beginner’s Guide. McGraw-Hill. ISBN 978-0-07-160846-9.

• Russo, M., Ferrari, A., & Webb, C. (2014). SQL Server 2012 Analysis Services: The BISM Tabular Model. Microsoft Press. ISBN 978-0-7356-5818-9.

• Russo, M., & Ferrari, A. (2015). The Definitive Guide to DAX: Business Intelligence for Microsoft Power BI, SQL Server Analysis Services, and Excel. Microsoft Press. ISBN 978-0-7356-9835-3.

• Ferrari, A., & Russo, M. (2015). DAX Patterns. SQLBI. ISBN 978-1-5056-2363-5.

• Collie, R. (2013). DAX Formulas for PowerPivot: The Excel Pro’s Guide to Mastering DAX. Holy Macro! Books. ISBN 978-1-61547-015-0.

• Collie, R., & Singh, A. (2016). Power Pivot and Power BI: The Excel User's Guide to DAX, Power Query, Power BI & Power Pivot in Excel 2010–2016. Holy Macro! Books. ISBN 978-1-61547-039-6.

• Neo4j. (n.d.). Graph Data Science (GDS) for Dummies®: Neo4j Special Edition. Neo4j. Retrieved from https://neo4j.com/books/graph-data-science-for-dummies/

https://ena.etsmtl.ca

Ce cours est soutenu par des exercices de DataCamp (datacamp.com), une plate-forme d’apprentissage en ligne pour Python, SQL, Power BI et Dax. Elle est dédiée à la science et l’analyse des données. La méthodologie d’apprentissage de DataCamp est pratique. Il combine de courtes vidéos et des exercices pratiques sur le clavier pour aider les étudiants à conserver leurs connaissances. DataCamp propose des formations sur l’importation de données, la visualisation des données et l’apprentissage automatique.