Les techniques quantitatives, la science des données et l’apprentissage automatique vous passionnent? Vous souhaitez jouer un rôle dans un monde où les entreprises doivent exploiter les données pour prendre de meilleures décisions? Cette spécialisation vous formera à ces méthodes et à leurs applications concrètes en gestion.
« Cette spécialisation vous forme à exploiter les données et les méthodes quantitatives pour appuyer la prise de décision en gestion. En combinant science des données, optimisation et apprentissage automatique, elle prépare à des carrières recherchées et peut faciliter le passage vers les études de 2e cycle grâce au parcours intégré. »
Okan Arslan, professeur agrégé, responsable de la spécialisation en science des données et analytique d'affaires.
Vous devez réussir 36 crédits au total.
Les cours ci-dessous sont présentés à titre indicatif pour vous aider à choisir votre spécialisation. Une fois votre choix indiqué dans HEC en ligne, vous devez vous référer à la section « Progression scolaire » afin de voir les cours requis selon votre année d’admission, ainsi que le nombre exact de cours à suivre par bloc (obligatoires, optionnels, etc.)
Veuillez aussi considérer les éléments suivants :
Introduction à l'apprentissage automatique et aux concepts de base
Applications de l'apprentissage automatique dans divers domaines
Apprentissage automatique et science des données: design modélisation et applications
Apprentissage supervisé: régression classification arbres
Apprentissage non supervisé: méthodes applications robustesse
Méthodes avancées: réseaux de neurones apprentissage profond
Interprétation causalité évaluation des résultats et robustesse
Équité responsabilité transparence éthique sécurité et durabilité.
Programmation linéaire : formulation mise en oeuvre dualité
Modèles de flux dans des réseaux : structures algorithmes de base applications
Programmation en nombres entiers : utilisation de variables binaires linéarisation techniques de solution
Optimisation multiobjectif : formulation et gestion des compromis
Optimisation non linéaire : modèles techniques de descente interprétation
Modèles multipériodes : structure traitement de l'incertitude arbres de décision
Heuristiques et autres moyens de solution de problèmes de grande taille
Introduction et fondements : modélisation et outils mathématiques algèbre ensembles techniques de preuves.
Fonctions : définition propriétés fonctions usuelles fonctions du temps fonctions implicites.
Écriture et algèbre matricielle : vecteurs matrices opérations valeurs propres formes quadratiques.
Variables aléatoires : probabilité variables discrètes et continues fonctions de densité et répartition moments variables multivariées corrélation.
Systèmes d'équations : solution d'équations linéaires et non linéaires solutions analytiques méthodes numériques.
Calcul infinitésimal : dérivées différentiabilité formule de Taylor intégrales méthodes numériques.
Optimisation : modélisation typologie méthodes de solution complémentarité méthodes numériques.
Estimation : questions de recherche données échantillon représentativité méthodes qualité et comportement asymptotique.
Prévision : analyse de données inférentielle vs prédictive méthodes de prévision évaluation et validation.
Inférence statistique : choix de modèles interprétabilité validation tests d'hypothèses.
1. La science des données en exemples.
Partie I : Inférence
2. Inférence statistique et données observationnelles.
3. Plans d'expérience (incluant ANOVA à deux facteurs et plans non balancés).
4. Comparaisons multiples et biais de publication.
5. Données longitudinales et modèles mixtes.
Partie II : Prédictions
6. Analyse prédictive (variables catégorielles et continues).
7. Évaluation de la performance des modèles prédictifs.
1. Introduction et définition des données volumineuses structurées
2. Recherche et collecte de données (données d'entreprises ou publiques)
3. Statistique descriptive univariée et multivariée
4. Initiation au logiciel SAS
5. Préparation de données (importation fusion de fichiers nettoyage de données calculs d'indicateurs)
6. Évaluation de la qualité de l'information
7. Visualisation des données (transversales et longitudinales)
8. Préparation et présentation de rapport synthèse
9. Aperçu de techniques de fouille de données (Data Mining)
- Calcul distribué et parallèle
- Apprentissage supervisé
- Apprentissage son¿supervisé
- Apprentissage par renforcement
- Systèmes de recommandations
- Prise de décision séquentielle
- Bases de l'apprentissage supervisé et non supervisé.
- Réduction de la dimensionnalité (composantes principales et analyse factorielle).
- Analyse de regroupements hiérarchique et non hiérarchique.
- Bases de la modélisation prédictive : division de l'échantillon validation-croisée bootstrap.
- Modèles paramétriques pour la modélisation prédictive.
- Règles d'association (analyse du panier de la ménagère).
- Méthode de partitionnement récursif de base : CART forêt aléatoire importance des variables boosting d'arbres.
- Autres sujets : machines à vecteur de support méthodes des plus proches voisins analyse de survie de base données manquantes.
Programmation linéaire
L'algorithme du simplexe
Analyse de sensibilité et dualité
Programmation linéaire en nombres entiers et ses applications
Algorithmes de branchements et coupes
Notions fondamentales et algorithmes en programmation non linéaire
Convexité conditions KKT et optimalité
Algorithmes basés sur le gradient et sur la méthode de Newton
Heuristiques et métaheuristiques
Séquences séries limites
Introduction à la topologie approximation par point fixe retour sur les espaces métriques
Solutions d'équations non linéaires
Méthodes erreurs numériques et conditionnement complexité convergence
Systèmes dynamiques déterministes
Équations aux différences équations différentielles solutions de systèmes linéaires
Diagrammes de phase état stationnaire méthodes forward/backward
Optimisation dynamique
Commande optimale
Introduction à la théorie des jeux
Modèles coopératifs modèles non coopératifs
1 : Introduction à la modélisation mathématique
2 : Implantation d'un modèle d'optimisation avec un logiciel approprié
3 : Modèles linéaires
4 : Modèles de réseau
5 : Modèles linéaires en nombres entiers et techniques de linéarisation
6: Applications (e.g. problèmes de localisation problèmes de distribution problèmes d'horaire etc.)
7 : Modèles d'optimisation à objectifs multiples
8 : Modèles de programmation stochastique
9 : Modèles de programmation dynamique
Revue des probabilité et modélisation stochastique
Probabilité et espérance conditionnelles
Chaînes de Markov et leur comportement asymptotique
Processus de Poisson
Chaînes de Markov en temps continu
Phénomènes de renouvellement
Mouvement Brownien et autres processus reliés
Systèmes de files d'attente
Principes fondamentaux de modélisation et d'inférence statistique
Modèles linéaires
Modèles linéaires généralisés
Modèles pour données longitudinales et corrélées
Introduction à l'analyse de survie
La nature des données textuelles
Le prétraitement du texte : tokenisation et lemmatisation
Les modèles sac-de-mots les modèles thématiques et la classification naïve
Les modèles de langage N-grams (modèles de Markov)
Les modèles de Markov cachés et l'étiquetage grammatical
Les représentations distribuées et la sémantique vectorielle
Les modèles de langage neuronaux récurrents les LSTMs et la génération de texte
Les modèles de langage Transformers et la modélisation du langage masqué
Les modèles encodeurs et la recherche sémantique
Les modèles encodeurs-décodeurs le résumé de texte et la traduction
Cette spécialisation offre un parcours intégré permettant aux étudiantes et étudiants du B.A.A. admissibles d’amorcer une formation de 2e cycle en science des données et analytique d’affaires.
Les cours de maîtrise en gestion (M. Sc.) intégrés à la structure de la spécialisation permettent d’approfondir les compétences en science des données, en optimisation et en apprentissage automatique, tout en facilitant une éventuelle poursuite aux cycles supérieurs à HEC Montréal.
Voici quelques exemples de programmes qui pourraient vous intéresser :
L'option mixte permet de combiner avantageusement cette spécialisation avec une autre spécialisation du B.A.A. Apprenez-en plus sur cette possibilité.
Vous pouvez également personnaliser votre cheminement en suivant une partie de vos cours ailleurs qu'à HEC Montréal. Informez-vous sur l'option personnalisée.