Version PDF

Programme(s) : 7095,7495

Profils(s) : Tous les profils sauf Informatique

Afficher les préalables et les unités d'agrément

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Julio Cesar Montecinos

PLAN DE COURS

Hiver 2024
GOL491 : Conception des systèmes d’information et forage de données (3 crédits)

Préalables

Unités d'agrément
Total d'unités d'agrément : 58,8

Qualités de l'ingénieur

Q10

Q11

Q12

Qualité visée dans ce cours

Qualité visée dans un autre cours

Indicateur enseigné

Indicateur évalué

Indicateur enseigné et évalué

Descriptif du cours

Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure de concevoir un système d’information dans le but de valoriser les données de l’entreprise.

Description et analyse des systèmes d’information associés aux grandes et moyennes entreprises. Diagramme de fonctionnement des entreprises et analogie avec les diagrammes de flux et modèles conceptuels de données. Conception et architecture des systèmes informationnels. Définition des acteurs, des rôles et des entités. Recueil des données vitales. Modèles de fonctionnement du système d’information. Modèle relationnel des données. Normalisation des bases de données relationnelles. Langage SQL (Structured Query Language). Base de données NoSQL (Not Only SQL) Intelligence d’affaire (BI), analytique et visualisation des données. Valorisation des données.

En séances de laboratoire, les concepts vus en classe sont repris plus en détail et sous forme appliquée.

Note sur le préalable : il concerne les étudiants et étudiantes du profil PA.

Objectifs du cours

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.

À la fin du cours, l’étudiant devrait être capable de :

Dresser un inventaire des données existantes et déjouer les difficultés de consolider une vue panoramique (tableaux de bord).
Recueillir de l’information existante dans diverses sources de données : des fournisseurs, de la production, des opérations, des commandes, des inventaires, des livraisons, etc., pour suivre la demande ou pour estimer les besoins logistiques et de transport.
Établir le processus d’analyse des données plus appropriée en fonction du contexte.
Utiliser des solutions logicielles pour la consolidation, le prétraitement et l’analyse de données.
Faire une analyse des données avec les outils plus communs : Corrélation, Régression, Classification, Agglomération, Règles d’association, etc.
Coder en Langage Python
Concevoir des applications en opération, la vente du détail, le transport et la logistique.
Maximiser l'apprentissage en travaillant en groupe favorisant la diversité des compétences *

* La conformation de certains groupes sera imposée de manière à rassembler des intégrants aux compétences variées, favorisant ainsi une compréhension approfondie du sujet grâce à la collaboration, même dans des configurations non choisies.

Stratégies pédagogiques

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.

Utilisation d’appareils électroniques

Ne s'applique pas.

Horaire

Groupe	Jour	Heure	Activité
01	Lundi	08:30 - 12:00	Activité de cours
	Vendredi	08:30 - 12:30	Laboratoire (2 sous-groupes)

Coordonnées de l’enseignant

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Julio Cesar Montecinos	Activité de cours	Julio.Montecinos@etsmtl.ca	A-3630	Sur rendez-vous
01	Amira Morsli	Laboratoire (2 sous-groupes)	cc-amira.morsli@etsmtl.ca

Cours

Date	Date	Contenus traités dans le cours	Heures
1	08 janv	Introduction aux systèmes d’information. Introduction au Langage Python	3
2	15 janv	Introduction au Python (« The Python Tutorial » (https://docs.python.org/3/tutorial/))	3
3	22 janv	Introduction aux bases de données, modèle relationnel et non-relationnel. Introduction au langage SQL 1/3. Normalisation d’une base de données (Ch 1, Ch 2 et Ch 12)	3
4	29 janv	Introduction aux bases de données et au langage SQL 2/3 (Ch 4 et Ch. 5)	3
5	05 févr	Introduction aux bases de données et au langage SQL 3/3 (Ch 6, Ch 13.1 à Ch. 13.5 et Ch. 15)	3
6	12 févr.	Informatique décisionnelle, Intelligence d'affaires et tableaux de bord. Révision	3
7	19 févr	Examen intra (cours 1 à 6 inclusivement) *Toute documentation papier permise*	3
8	26 févr	Exploration des Données. Introduction au Power BI et Ch. 15	3
9	11 mars	Power BI et Introduction au langage DAX	3
10	18 mars	DAX Fonctions de base	3
11	25 mars	DAX Fonctions Statistiques	3
12	4 avr	Dax Intelligence Temporelle (Time Intelligence) Base de données orientée graphes (Ch. 14) Chaine des blocs (Blockchain) et systèmes distribués (CH. 1 et CH. 12.8) Base de données orientée graphes (Ch. 14) Révision	3
13	08 avr	Exposés et Révision	3
		Total	39

Laboratoires et travaux pratiques

Séance	Date	Description	Heures
1	12 janv	Pratique du langage Python	2
2	19 janv	Pratique du langage Python Traitement de données avec bases de données relationnelles	2
3	26 janv	Introduction au langage SQL 1/3	2
4	2 févr	Introduction au langage SQL 2/3	2
5	9 févr	Introduction au langage SQL 3/3 Révision et support au devoir	2
6	16 févr	Révision mathématique et statistique (Corrélation, Régression, Classification, Association)	2
7	23 févr	Révision mathématique et statistique (Corrélation, Régression, Classification, Association)	2
8	1 mars	Introduction Power BI et DAX	2
9	15 mars	Introduction fonctions et calculs de base Intelligence Temporelle (Time Intelligence)	2
10	22 mars	Pratique: Regresion, Clasification, Règles d'Association	2
11	5 avr	Forage des données Basses données graphes	2
12	12 avr	Support Examen Final	2
		Total	24

Utilisation d'outils d'ingénierie

Langage Python et Pandas
MySQL ou SQLite (ou DuckDB) et langage SQL
MySQL Workbench ou DBeaver
Power BI et langage Dax
Neo4j ou Memgraph, Base de données orientée graphe et langage Cypher

Évaluation

Activité	Description	%	Date de remise
Travail pratiques	Plusieurs TP ou laboratoires seront notés	10
Travail de Session	Collecte, stockage et modèle relationnel des données Phase 1 : Dépôt électronique	20	19 févr
Examen Intra	Cours 1 à 6 inclusivement Toute documentation physique permise	25	19 févr
Travail de Session	Élaboration d’un tableau de bord et exposé oral Phase 2 : Dépôt électronique	20	8 avr
Examen Final	Cours 1 à 13 inclusivement Toute documentation physique permise	25	http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux

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.

Dates des examens intra

Groupe(s)	Date
1	19 février 2024

Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux

Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

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.

Absence à un examen
Dans les cinq (5) jours ouvrables suivants, la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur du département ou du SEG. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Dans tous les cas, l’étudiant doit effectuer sa demande en complétant le formulaire prévu à cet effet qui se trouve dans son portail Mon ÉTS/Formulaires. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat, Activité compétitive d’un étudiant appartenant à un club scientifique ou un club sportif d’élite de l’ÉTS ou au programme « Alliance sport étude » ou autre) à un examen entraînera l’attribution de la note zéro (0).

Infractions de nature académique
À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page "Citer, pas plagier !" (https://www.etsmtl.ca/Etudes/citer-pas-plagier). Les clauses du règlement sur les infractions de nature académique de l’ÉTS (« Règlement ») s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique) pour identifier les actes qui constituent des infractions de nature académique au sens du Règlement ainsi que prendre connaissance des sanctions prévues à cet effet.

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignant(e) du cours.

Documentation obligatoire

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

L’éditeur offre un rabais pour la livraison des copies papier aux étudiants du cours. Le code sera visible sur Moodle.

Ouvrages de références

OPPEL, A.J. (2009). Databases: A Beginner’s Guide, McGraw-Hill, ISBN: 0-07-160846-X. Il est très recommandable, plusieurs cours pourraient suivre le livre.
Marco, R., Alberto, F. et Chris, W. (2014) SQL Server 2012 Analysis Services, The BISM Tabular Model, Microsoft Press, ISBN: 9780735658189
Marco, R., Alberto, F. (2105) The Definitive Guide to DAX , Microsoft Press, ISBN:9780735698352
Alberto, F. et Marco, R. (2015) DAX Patterns, SQLBI, ISBN :9781505623635
Rob, C. (2013) DAX Formulas For PowerPivot, Holy Macro ! Books, ISBN:9781615470150
Rob C., Avi, S., (2016) Power Pivot and Power BI, Holly Macro! Books, ISBN:9781615470396
Graph Data Science (GDS) For Dummies®, Neo4j Special Edition (https://neo4j.com/books/graph-data-science-for-dummies/

Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca

Autres informations

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.