Semaines de l’évaluation de l’enseignement
CIV8760 - Gestion de données en transport
Section outline
-
CIV8760 - Gestion de données en transport
Responsable et chargé du cours
Pr. Nicolas Saunier
Local: B324.2
Courriel: nicolas.saunier@polymtl.caChargé de travaux pratiques: Guillaume Néven
Courriel: Guillaume Néven -
La semaine 1 porte sur l'introduction au cours ; si le temps le permet, nous aborderons les types de variables, présentés dans le chapitre 1 des notes de cours.
À la fin de la semaine, vous devez être en mesure de
- connaître le contexte du cours : d'où viennent les données de transport ?
- distinguer les types de variables
-
Students mustMark as done
- prendre connaissance du plan de cours
-
Students mustMark as done
- question de préparation: réfléchir à des données de transport et leur origine
-
-
Students mustMark as done
-
La semaine 2 porte sur les méthodes de collecte de données, présentées dans le chapitre 2 des notes de cours.
À la fin de la semaine, vous devez être en mesure de :
- décrire et choisir les méthodes de collecte de données de transport selon le contexte et les objectifs
-
Students mustMark as done
- Question optionnelle : demander à un SIAG (ChatGPT, Gemini, Copilot, etc.) quelles ont les différentes catégories de méthode de collecte de données en transport et comparer au cours
- Question optionnelle : demander à un SIAG (ChatGPT, Gemini, Copilot, etc.) quelles ont les différentes catégories de méthode de collecte de données en transport et comparer au cours
-
-
-
-
-
-
La semaine 3 porte sur le traitement de données, présenté dans le chapitre 3 des notes de cours.
À la fin de la semaine, vous devez être en mesure de :
- utiliser les principales structures de données
- concevoir un algorithme simple pour traiter des données
-
Les semaines 4 et 5 portent sur bases de données, présentées dans le chapitre 4 des notes de cours.
À la fin de la semaine, vous devez être en mesure de :
- concevoir un modèle Entité/Association pour représenter un système
- concevoir un modèle relationnel
- utiliser le langage SQL pour faire des requêtes sur une base de données relationnelle : création de base de données, affichage d'information (filtre et agrégation)
-
-
Students mustMark as done
- Installer DB Browser for SQLite
-
-
-
La semaine 8 porte sur les données spatiales, présentées dans le chapitre 5 des notes de cours.
À la fin de la semaine, vous devez être en mesure de:
- connaître les fonctions d'un système d'information géographique (SIG)
- distinguer les différents formats de données spatiales
- savoir identifier les systèmes de coordonnées et les projeter
- utiliser des requêtes SQL simples avec des données et fonctions spatiales
-
Students mustMark as done
- Installer QGIS et spatialite (GUI) (binaires Windows en bas de la page) (instructions Mac)
-
-
-
-
La semaine 9 porte sur l'analyse statistique, présentée dans le chapitre 6 des notes de cours.
À la fin de la semaine, vous devez être en mesure de:
- Appliquer les méthodes simples de description des données
- Interpréter et appliquer quelques distributions utilisées en transport
- Calculer des intervalles de confiance, des tailles d'échantillons et effectuer des tests d'hypothèses
-
La semaine 10 porte sur les modèles statistiques, présentés dans le chapitre 7 des notes de cours.
À la fin de la semaine, vous devez être en mesure de
- choisir le modèle statistique approprié
- estimer le modèle et sélectionner les attributs
- interpréter les résultats de l'estimation d'un modèle
-
La semaine 12 porte sur la visualisation de données, présentée dans le chapitre 8 des notes de cours.
À la fin de la semaine, vous devez être en mesure de
- connaître les principaux types de graphiques pour représenter des données
- appliquer les bonnes pratiques de visualisation des données
- développer son esprit critique
-
-
Students mustMark as done
-
Les semaines 13 et 14 portent sur la fouille de données, présentée dans le chapitre 9 des notes de cours.
À la fin de la semaine, vous devez être en mesure de
- distinguer les grandes catégories de méthodes d'apprentissage et leur domaine d'application
- comprendre les algorithmes simples d'apprentissage non-supervisés (segmentation) et supervisés (classification et régression)
- savoir appliquer ces méthodes et en interpréter les résultats
- mesurer la performance des méthodes et comprendre les risques du sur-ajustement
-
-
-
Tableaux des lois statistiques (Chi2, normale, Student)
-
