Certificat d'université d'Executive Master en data science

Au terme de sa formation, le candidat sera capable de :

• configurer ou développer des outils nécessaires à la collecte, l'extraction, le stockage et la préparation de données destinées à des fins d'analyse ;

• utiliser des techniques computationnelles et/ou mathématiques de traitement adaptées aux données de masse (big data) et aux données disponibles sous des formats divers;

• mettre en œuvre des techniques de data mining et de machine learning pour concevoir des modèles d'analyse de données;

• développer des outils de visualisation facilitant la présentation et la compréhension des résultats d'analyse;

• mener à bien un projet en data science en intégrant des compétences en management et en analyse de données;

• de concevoir des tableaux de bord et de définir des indicateurs de performance (KPI) permettant de guider la prise de décision au sein d'une organisation.

Ce certificat offre une vision pluridisciplinaire de la data science en intégrant des dimensions propres à l'informatique, aux mathématiques et à la gestion.

Il est conçu pour offrir aux professionnels une formation intégrée à leur environnement professionnel grâce à un projet individuel.

Cette formation s'adresse :

• aux personnes actives professionnellement dans une organisation où ils pourront contextualiser leur formation par rapport à leur activité professionnelle ;

• à tout profil répondant aux prérequis (maîtrise suffisante de la programmation, des bases de données et des mathématiques, telles qu'utilisées en data science). Par exemple: ingénieur civil, statisticien, scientifique spécialisé en traitement des données, scientifique spécialisé en bioinformatique, etc.

Modules de mise à niveau

Trois modules de mise à niveau obligatoires sont organisés avant le début des cours afin de permettre à chaque participant d'entamer la formation avec le bagage minimum :

• Module en « Bases de données » 10h
  • modéliser et implémenter une base de données
  • déployer un serveur de base de données
  • écrire et exécuter des requêtes SQL
     
• Module en « Programmation » 10h
• utilisation de Python pour les data sciences
• bases de Javascript pour les data sciences
• rappels d'algèbre linéaire (vecteur, matrice...)
• rappels d'analyse (fonction, dérivée, minimum/maximum ...)
• Module en« Mathématiques» 10h

Programme du certificat

L'ensemble du programme représente 35 crédits et comprend

• cinq unités d'enseignement disciplinaires (25 crédits) - graph mining (5 crédits), visualisation de l'information (4 crédits), machine learning et data mining (6 crédits), big data (5 crédits) et business intelligence (5 crédits) - qui apporteront aux professionnels les compétences nécessaires en data science, avec une attention particulière pour la mise en pratique au travers de petits projets et/ou présentations orales tout au long de l'année.
   
• un projet individuel (10 crédits) dont l'objectif sera :
  • soit d'analyser son organisation et d'y apporter un regard critique à la lumière de minimum deux UE du certificat (par ex. « Big data » + « Business intelligence » pour la gestion des données) ;
  • soit d'identifier et de résoudre un problème de son organisation avec les outils de minimum deux UE du certificat (par ex. « Graph mining » + «Visualisation de l'information » pour mieux comprendre une organisation de grande taille et identifier les acteurs clés de celle-ci).

  Ce projet ambitieux s'étalera sur toute l'année et permettra à l'étudiant de mettre en pratique le contenu des cours et d'avoir directement un retour dans le cadre professionnel.

Pour les personnes sans possibilité de contextualiser la formation dans leur environnement professionnel,  le projet sera réalisé en collaboration avec une organisation partenaire de l'UNamur.

Où ?

La formation se déroule à la Faculté d’informatique de l'Université de Namur.
Rue Grandgagnage 21 -  5000 Namur

Quand ?

Pour l'année académique 2018-2019, les cours débuteront le 17 septembre 2018 pour se clôturer fin mai 2019. En plus des cours, trois jours de modules obligatoires de mise à niveau en bases de données, en programmation et en mathématiques seront organisés avant le début des cours. Pour permettre à des professionnels actifs de suivre la formation, les unités d'enseignement seront exclusivement organisées le lundi, de 8h30 à 18h00 avec pause de midi.

Qui ?

La formation propose une approche large des data sciences. Elle associe les compétences de professeurs :

• de la Faculté d'informatique qui jouit  d'une tradition forte et d'une expertise scientifique largement reconnue dans le domaine de l'ingénierie et de l'analyse des données,
• du Département de gestion qui présente depuis plusieurs années une expertise ciblée sur le management de l'information et plus particulièrement sur l'aide à la prise de décision  en entreprise,
• et du Département  de mathématique  qui  a toujours  eu une orientation appliquée, en particulier en statistiques  et traitement  des données, en optimisation  et contrôle, en modélisation de réseaux et systèmes dynamiques, visant à traiter des problèmes semblables à ceux que l'on peut rencontrer lors du traitement des données de masse (big data).

Ces trois expertises sont soutenues par le Namur Digital lnstitute (NADI) et l'Institut de recherche naXys. Le coordinateur du programme est Benoît Frenay, professeur à la Faculté d'informatique.

Les conditions qui devront être remplies seront les suivantes :

• avoir participé de manière active à la formation
• avoir satisfait aux évaluations

Admission sur dossier :

• Être titulaire d'un diplôme de l'enseignement supérieur de deuxième cycle ou assimilés et posséder une maîtrise suffisante de la programmation (idéalement Python et JavaScript), des bases de données et des mathématiques, telles qu'utilisées en data science.
• Possibilité d'admission sur base d'un dossier de Valorisation des Acquis de l'Expérience attestant d'une expérience professionnelle significative permettant une maîtrise suffisante de la programmation, des bases de données et des mathématiques, telles qu'utilisées en data science.