Curriculum – Bac + 3

Analytiques des Données

Table des matières

1 Définition de la filière ............................................................................................................................ 2
2 Objectifs de la formation ....................................................................................................................... 2
3 Compétences à acquérir ........................................................................................................................ 3
4 Débouchés de la formation ................................................................................................................... 3
5 Prérequis ................................................................................................................................................ 3
6 Articulation entre les semestres de la filière ......................................................................................... 4
7 Programme de la formation .................................................................................................................. 4
7.1 Vue globale de la formation .......................................................................................................... 4
7.2 Organisation par module ............................................................................................................... 5
7.2.1 Semestre 1 ............................................................................................................................. 5
7.2.2 Semestre 2 ............................................................................................................................. 5
7.2.3 Semestre 3 ............................................................................................................................. 6
7.2.4 Semestre 4 ............................................................................................................................. 6
7.2.5 Semestre 5 ............................................................................................................................. 7
7.2.6 Semestre 6 ............................................................................................................................. 8
8 Modalités de validation ......................................................................................................................... 8
9 Approche de construction du curriculum par compétence .................................................................. 9
9.1 Echelle de mesure de compétences .............................................................................................. 9
9.2 Niveaux de compétences visés ...................................................................................................... 9
9.3 Modules .......................................................................................................................................10
9.4 Syllabus des éléments de modules ..............................................................................................11
1 Définition de la filière

Intitulé de la filière : Analytiques des Données

Mots clés : (liste non exhaustive) : Bases de données, structures de données, Analyse de
données, Traitement des données, fouilles de données, langages de programmation,
développement Web, Tableaux de bord, visualisation des données, R, Python.

2 Objectifs de la formation
Objectif principal :

L'objectif de la filière Analytique des données est de former des techniciens supérieurs ayant une
formation approfondie sur les méthodologies et approches d’analyse des données, de traitement des
données, de la visualisation et de la mise en valeur des données. La formation apporte l’expertise en
programmation et développement nécessaires pour permettre le traitement des données avec un
approfondissement des techniques d’analyse et de visualisation sur Python et R.
3 Compétences à acquérir

Principales compétences techniques à acquérir :

- Comprendre et Appliquer les approches d’analyse de données et Analyser les performances des
tests.
- Comprendre et Appliquer les langages de programmation pour la mise en service d’interfaces
de manipulation de données
- Comprendre et appliquer les traitements relatifs aux données et évaluer les performances en
analyse post traitement
- Comprendre et Appliquer les bonnes pratiques pour une visualisation optimale des données et
leur mise en valeur
- Compétences de travail en équipe pour être capables de collaborer avec d'autres professionnels
de l'informatique.

4 Débouchés de la formation

Débouchés de la formation par métier :

Administrateur de base de données, Explorateur de données, Assistant Data Scientist, Assistant
Data Analyst, Développeur BI, Développeur Web, Data Miner, Gestionnaire de données massives,
Gestionnaire d'applications liées aux données, …

Débouchés de la formation par secteur d’activité(s) :

L'insertion professionnelle des diplômés s’effectue dans de nombreux types d’entreprises et
d’administrations au sein des départements métiers et/ou DSI.

5 Prérequis
Prérequis d’accès à la filière :

Titulaire d’un baccalauréat de filière scientifique ou économique

6 Articulation entre les semestres de la filière
Le cursus proposé est architecturé comme suit :

- 2 semestres pour les matières de base S1 et S2

- 2 semestres (S3 et S4) avec spécialisation

7 Programme de la formation
7.1 Vue globale de la formation
Algorithmes IA et
S6 Analyse sur R Modélisation IA Projet d’implémentation
prédiction
3ème
année Visualisation sur Ecosystèmes big Management
S5 Big Data Web analyse Langues
R data V

Visualisation par
Traitement Ecosystèmes des Projet Management
S4 réduction de Langues
avancé données d’implémentation IV
2ème dimensions
année
Bases de Langages de Visualisation des Management
S3 Fouilles de données Langues
Données Modélisation données III

Structures de
Structures de Modélisation Management
S2 Développement web Données et python Langues
Données et Python des données II
1ère Avancés
année
Analyse & Algorithmique et Architecture des Management
S1 Statistiques Langues
algèbre programmation systèmes I

Code couleur

Compétence Analyse Informatique Traitement Visualisation Projet Communication Gestion

7.2 Organisation par module
7.2.1 Semestre 1

M1 Statistique descriptive
Statistiques Statistique inférentielle

M2 Analyse
Modules Scientifiques et Analyse & algèbre Algèbre linéaire
techniques de base et de
spécialisation M3 Algorithmique
Algorithmique & Programmation Programmation orientée objet
S1
M4 Architecture des ordinateurs
Architecture des systèmes Systèmes d’exploitation
Anglais
Modules de langues, de M5
Communication et des TIC Langues et TEC Techniques d’expression et de
communication
M6 Comptabilité Générale
Modules de Management
Management I Bases de Management
VH global du semestre 1

7.2.2 Semestre 2

M1 Structures de données de base

Structures de Données et Python Langage Python
Traitement des données
M2
Modules Scientifiques et Modélisation des données Introduction à la Modélisation conceptuelle
techniques des données
de base et de spécialisation M3 POO en Java
Développement Web Développement web JavaScript et Jprog
S2
M5 Structures de données avancées
Structures de Données et python
Avancés Python avancé
Anglais
Modules de langues, M5
de Communication et des TIC Langues et TEC Techniques d’expression et de
communication
M6 Diagnostic Financier
Modules de Management
Management II Management de Projets
VH global du semestre 2
7.2.3 Semestre 3
M1
Fouille de données
M2
Modules Scientifiques et Bases de Données
techniques de base et de
spécialisation M3
Langages de Modélisation
S3
M4
Visualisation des données
Modules de langues, de M5
Communication et des TIC Langues et TEC
M6
Modules de Management
Management III
VH global du semestre 3
7.2.4 Semestre 4
M1
Visualisation par réduction de
dimensions
M2
Modules Scientifiques et Traitement avancé
techniques de base et de
spécialisation M3
Ecosystèmes des données
S4
M4
Projet d’implémentation
Modules de langues, de M5
Communication et des TIC Langues et TEC
M6
Modules de Management
Management IV
VH global du semestre 4
Data mining
Data Warehouse
Bases de données SQL
Bases de données NOSQL
UML
XML
Reporting et Visualisation des données
Visualisation de données sur R
Anglais
Techniques d’expression et de
communication
Management des risques
Développement durable
Les techniques de réduction de dimension
Programmation PCA sur R
Modélisation et pré-traitement des données
Programmation processing sur R
Ecosystèmes des données
Données en milieu industriel
Projet personnel
Anglais
Techniques d’expression et de
communication
Droits de la propriété intellectuelle IT
Transformation Digitale
7.2.5 Semestre 5

M1 Big Data
Big Data Analyse de données en big data
M2 Visualisation des données avancée sur R
Visualisation avancée des données dans
Modules Scientifiques et R avec graphiques interactifs Cas d’application
techniques de base et de
spécialisation Fondements du web analytics
M3
Web analyse Web analyse avec Omniture et Google
S4 Analytics
M4 Big data en milieu industriel
Ecosystèmes big data Plateformes et technologies IOT
Anglais
Modules de langues, de M5
Communication et des TIC Langues et TEC Techniques d’expression et de
communication
M6 Gestion de portefeuilles
Modules de Management
Management V Marchés financiers
VH global du semestre 4
7.2.6 Semestre 6

M1 Analyse de données sur R

Analyse avancée sur R Projet d’analyse sur base de données

M2 Modélisation supervisée
Modélisation IA Modélisation non supervisée
Algorithmes de prédiction
M3
Modules Scientifiques et Algorithmes IA et prédiction
Tests de performances en prédiction
S4 techniques
de base et de spécialisation

M4, M5 et M6
Projet en entreprise
Projet d’implémentation

VH global du semestre 4

8 Modalités de validation

La première année est validée et donne droit à l’inscription à la deuxième année l’année
suivante si l’étudiant y obtient une moyenne générale égale ou supérieure à 10/20 et si les
modules ont été validés.
Un module des semestres S1, S2, S3 ou S4 est validé si sa note est supérieure ou égale à 10/20.
Au maximum deux modules de l’année peuvent être non validés. Ces modules peuvent alors
être acquis, par compensation, si leur note est supérieure ou égale à 8 sur 20 et aucune note
finale de leurs éléments n’est inférieure à 5 sur 20.
9 Approche de construction du curriculum par
compétence1
9.1 Echelle de mesure de compétences

9.2 Niveaux de compétences visés

Niveaux de
Compétence S1 S2 S3 S4 S5 S6
compétences

Connaitre Appliquer Appliquer

Analyse Appliquer 1.2.3.4
Comprendre Analyser Analyser

Connaitre
Informatique Appliquer 1.2.3
Comprendre

Connaitre
Appliquer Analyser
Traitement Comprendre Appliquer 1.2.3.4.5
Analyser Evaluer
Appliquer

Connaitre
Visualisation Comprendre Appliquer Appliquer 1.2.3
Appliquer

1 L’approche utilisée est une classification hiérarchique des objectifs d'apprentissage. Elle se compose de six niveaux de
complexité croissante, allant de la simple mémorisation à la création de nouvelles idées : Connaissance : le fait de mémoriser
des informations ou des concepts. Compréhension : la capacité de comprendre et d'interpréter ces informations. Application :
la capacité de mettre en pratique les connaissances acquises. Analyse : la capacité de décomposer les informations en parties
pour mieux les comprendre. Synthèse : la capacité de combiner des parties pour créer quelque chose de nouveau. Évaluation :
la capacité de juger de la valeur ou de l'importance des informations. Cette approche souvent utilisée dans la planification
pédagogique pour aider les enseignants à structurer leurs objectifs d'apprentissage et à évaluer la progression des étudiants.
9.3 Modules
APPLIQUER ANALYSER
S6 ANALYSER PROJET
3ème ANALYSER EVALUER
année APPLIQUER APPLIQUER APPLIQUER MANAGEMENT
S5 APPLIQUER COMMUNICATION
ANALYSER ANALYSER ANALYSER V
MANAGEMENT
S4 APPLIQUER APPLIQUER APPLIQUER PROJET COMMUNICATION
2ème IV
année MANAGEMENT
S3 APPLIQUER APPLIQUER APPLIQUER APPLIQUER COMMUNICATION
III
Connaitre Connaitre
Connaitre
S2 Comprendre Comprendre Comprendre APPLIQUER COMMUNICATION MANAGEMENT II
1ère
APPLIQUER APPLIQUER
année
Connaitre Connaitre Connaitre Connaitre
S1 Comprendre COMMUNICATION MANAGEMENT I
Comprendre Comprendre Comprendre

Code couleur

Compétence Analyse Informatique Traitement Visualisation Projet Communication Gestion

Degré de Comprendre et Comprendre et Comprendre Comprendre et

compétence Appliquer et Appliquer, par la et appliquer Appliquer les
approches mise en service traitements bonnes
d’analyse de d’interfaces de relatifs aux pratiques pour
données manipulation de données une visualisation
données optimale des
données et leur
mise en valeur
 9.4 Syllabus des éléments de modules
Semestre S1
Statistique Maitriser les principales techniques de statistique descriptive univariée et bivariée et être
descriptive capable d’utiliser les commandes de base du Langage R
M1 Comprendre la logique de l’échantillonnage et de l’estimation
Statistiques Statistique - Acquérir la maîtrise des techniques des tests statistiques
inférentielle - Comprendre les notions d’échantillons indépendants et dépendants
- Choisir et élaborer les hypothèses statistiques du test adéquat à une situation donnée ;
Maîtriser les bases du calcul différentiel et des intégrales (fonctions, limites, continuité,
Analyse
M2 dérivées et applications de la dérivation)
Analyse & algèbre Être capable de résoudre des problèmes d’optimisation, de recherche opérationnelle et de
Algèbre linéaire
modélisation
Comprendre et maitriser les types de données, les expressions, les structures de contrôle,
Algorithmique les structures d’itération, les fonctions ainsi que les opérations de test et de « debugging ».
Application à la Programmation en C
M3
Introduire les concepts de base de la Programmation basée Objet et la Programmation
Algorithmique & Programmation
Orientée Objet, et illustre ces deux modes de programmation avec le langage Java.
Programmation orientée objet
Programmation statistique sur R avec les principales librairies associées
Modules

Programmation
Programmation statistique sur R avec les principales librairies associées
statistique
Introduction à l'architecture des ordinateurs, Processeurs, Mémoire : hiérarchie de la
Architecture des mémoire, mémoire cache, mémoire principale (DRAM, SRAM), mémoire virtuelle, mémoire
M4
ordinateurs flash, Organisation de l'ordinateur, Systèmes multiprocesseurs, Évaluation des
Architecture des
performances
systèmes
Systèmes Introduction aux systèmes d'exploitation, Installation et configuration de Windows, Gestion
d’exploitation des processus et des threads, Gestion de la mémoire, Gestion des périphériques
Anglais Niveau A1 : Beginner
M5 Techniques
Langues et TEC d’expression et de Niveau B2 de français
communication
Comptabilité Principes de base de la comptabilité, Flux économiques, Emplois et ressources, Actif/passif,
Générale comptes de situation, comptes de résultat, bilan, grand livre, journal.
M6
Environnement de l’entreprise, fonctions de management, planification, organisation,
Management I Bases de
motivation, tableaux de bord, prise de décision, budget …
Management

Semestre S2
Tableaux : accès aux éléments, recherche, tri, insertion, suppression, Listes, Piles :
Structures de opérations de pile, pile statique, pile dynamique, applications de pile, Files d'attente :
M1 données de base opérations de file d'attente, file d'attente statique, file d'attente dynamique, applications
Structures de de file d'attente, Arbre, graphes…
Données et Types de données : chaînes de caractères, nombres, listes, tuples, dictionnaires, ensembles,
Python Structures de contrôle, Fonctions et modules, Traitement de données : manipulation de
Modules

Langage Python
données avec des bibliothèques telles que Numpy et Pandas, visualisation de données avec
Matplotlib
Traitement des
Connaitre les principaux traitements utilisés pour les données, compression pour le
données
M2 stockage, le filtrage, l’identification d’erreurs et l’identification d’extrêmes.
Modélisation
Introduction à la Analyser un problème métier pour en déduire un modèle conceptuel cohérent Etablir un
des données
Modélisation modèle normalisé et efficace des données stockées en introduisant la notion de classe, la
conceptuelle des notion d’association et la notion de cardinalité
 données
Introduction à la POO, Classes et objets : déclaration de classes, création d'objets, variables
POO en Java d'instance, méthodes d'instance, Polymorphisme, Gestion des exceptions, Gestion de la
M3
mémoire : garbage collection, références fortes et faibles, gestion de la mémoire en Java
Développement
Introduction à JavaScript : syntaxe, types de données, variables, opérateurs, structures de
Web Développement web
contrôle, Fonctions JavaScript, Manipulation du DOM, Objets JavaScript, Introduction à
JavaScript et Jprog
Jprog, Syntaxe Jprog, Gestion des erreurs en Jprog
Arbres : compréhension des différents types d'arbres, Graphes : compréhension des
Structures de différents types de graphes, Algorithmes de tri : compréhension des algorithmes de tri tels
M5
données avancées que le tri à bulles, le tri par insertion, le tri par sélection, le tri rapide et le tri fusion, les tas
Structures de
binaires, les tables de hachage, les arbres B+ et les arbres de décision
Données et
Manipulation de données, Programmation fonctionnelle, Gestion d'erreurs, Programmation
python Avancés
Python avancé réseau : compréhension de la programmation réseau en Python en utilisant des
bibliothèques telles que Socket, Requests et Urllib, Multithreading et multiprocessing …
Anglais Niveau A2 : Elementary
M5 Techniques
Langues et TEC d’expression et de Niveau C1 de français
communication
Du bilan comptable au bilan financier, calcul des résultats, calcul des rations, Analyse des
Diagnostic Financier coûts : compréhension des différents types de coûts tels que les coûts fixes et variables, les
coûts directs et indirects, les coûts de production et les coûts.
M6
Cycle de vie du projet : compréhension des différentes phases du projet, telles que la
Management II
Management de définition des objectifs, la planification, l'exécution, le contrôle et la clôture, Gestion de
Projets projet : maîtrise des techniques de planification de projet, de gestion des risques, de gestion
des coûts, de gestion de la qualité et de gestion de la communication.
Semestre S3

Comprendre les principales tâches de data mining à partir de technique issues des
Data mining
statistiques, de l’analyse de données et de l’informatique pour explorer les données. Les
M1
applications sur R sont abordées.
Fouille de données
Les entrepôts de Décrire les principales étapes et approches de conception d'un entrepôt de données et de
données présenter les techniques de son exploitation ainsi que les principaux défis liés à son
implantation.
Langage SQL : compréhension des commandes SQL pour créer, manipuler et interroger des
Bases de données
M2 bases de données, Jointures de tables : compréhension des différentes formes de jointures
SQL
Bases de de tables en SQL, Indexation et optimisation des requêtes, Sécurité et contrôle d'accès.
Données Bases de données Introduction aux bases de données NoSQL, Types de bases de données NoSQL, Modélisation
NOSQL de données NoSQL, Langage de requête NoSQL, Haute disponibilité et évolutivité …
Diagrammes UML : cas d'utilisation, classes, objets, séquence, état, collaboration,
Modules

UML déploiement, Modélisation : processus de conception de systèmes logiciels à l'aide de

M3
diagrammes UML, Classes, Héritage.
Langages de
Syntaxe : balises, attributs, éléments, entités, commentaires, Document XML : structure,
Modélisation
XML éléments, balises, attributs, entités, espaces de noms, Schéma XML : document décrivant la
structure d'un document XML, avec les éléments autorisés et les relations entre eux
Reporting et Analyser les besoins pour une visualisation de données optimales, et Construction de
Visualisation des tableaux de bords avec des mécanismes de filtrage et d’interaction notamment pour la
M4
données Visualisation de données temporelles, Visualisation de données spatiales et la Visualisation
Visualisation des
de graphes.
données
Visualisation de
Visualisation de données sur R par utilisation de concepts avancés en utilisant les libraires
données sur R
de données biomédicales MixOmics ou autres libraires.

M5 Anglais Niveau B1 : Intermediate

 Langues et TEC Techniques
Communication écrite, Techniques de présentation, Communication en groupe, Techniques
d’expression et de
d'écoute active, Communication non verbale.
communication
Identification des risques liés aux projets informatiques, Évaluation des risques spécifiques
Management des
aux projets informatiques, Techniques de gestion des risques dans les projets informatiques,
risques
M6 Prise de décision basée sur les risques dans les projets informatique.
Management III Les enjeux environnementaux liés à la technologie, Les politiques de développement
Développement
durable, Les fondements du développement durable, Les acteurs du développement
durable
durable …
Semestre S4

Les techniques de Comprendre les techniques d’analyse et de traitement de données par réduction de
M1 réduction de composantes en s’appuyant notamment sur les approches en Analyse en composantes
Visualisation par dimension principales ACP, Décomposition en valeurs singulières et Encastrement du voisin
réduction des stochastique distribué en t.
dimensions Programmation PCA
Programmation et visualisation des performances en réduction de dimension sur R.
sur R
Modélisation et pré-
traitement des Maitriser le processing des données à un stade avancé en introduisant les méthodes de
M2 données filtrage avancés.
Traitement avancé
Programmation Programmation des fonctions de processing sur R ou python en utilisant les banques de
processing sur R données disponibles dans les différentes librairies e1071.

Ecosystèmes des Présenter une vue globale des principaux écosystèmes mettant en valeur les données et
M3 données comprendre leurs priorités et organisation. Prendre comme exemple les données massives
Ecosystèmes des en traitement du cancer, de la PCR et autres données en biomédicales.
données Données en milieu Faire un focus sur les données issues du milieu industriel et des principales applications
Modules

industriel déployées à partir de ces données et prendre par exemple le programme de digitalisation
de l’OCP et l’impact sur le monitoring et le contrôle en temps réel de la chaine de production.

Projet d’implémentation mettant en pratique les compétences en analyse, traitement, et

M4
Projet personnel visualisation des données
Projet
Durée : 1 mois

Anglais Niveau B2 : Upper Intermediate

M5 Techniques
Langues et TEC Préparation de dossier de candidature, lettre de motivation, Préparation à un entretien
d’expression et de
d’embauche, préparation de CV…
communication
Introduction aux droits de propriété intellectuelle, Les brevets dans l'informatique : les
Droits de la
brevets logiciels, les brevets matériels, les conditions de brevetabilité, les procédures de
propriété
dépôt de brevet, les limites et les exceptions aux droits de brevet, Les secrets commerciaux
intellectuelle IT
M6 dans l'informatique, Les litiges de propriété intellectuelle dans l'informatique.
Management IV Introduction à la transformation digitale, La stratégie de transformation digitale :
Transformation alignement avec les objectifs de l'entreprise, identification des opportunités et des risques,
Digitale choix des technologies appropriées, planification, budgétisation et pilotage de la
transformation, la gestion du changement dans la transformation digitale.
Semestre S5

Big Data Comprendre les concepts et définitions inhérents aux données massives, l’utilisation de
Modules

M1 bases de données nosql.

Big Data Analyse de données
Introduire l’acquisition de métadonnées et les techniques d’exploitation ainsi que le calcul
en big data
parallèle.
 Maîtrisez-les packages de dataviz de R, ggplot et autres extensions pour
Apprendre à Créer des graphiques de corrélation
M2 Visualisation des Apprendre à créer des graphiques de déviation
Visualisation données avancée sur Apprendre à créer des graphiques de classement
avancée des R Apprendre à créer des graphiques de distribution
données dans R Apprendre à créer des graphiques de composition
avec graphiques Apprendre à créer des graphiques de clustering
interactifs Apprendre à créer des graphiques de visualisation de séries temporelles
Programmation sur R sur la base de données issus des extensions proposés en élément de
Cas d’application module 1

Fondements du web
Comprendre es principes généraux du Web analytics en termes de collecte et de
analytics
personnalisation, les outils gratuits et payants, ainsi que l’analyse en performances
M3
Web analyse Web analyse avec
Omniture et Google
Mettre en application les concepts du web analytics à travers des plateformes existantes
Analytics

Big data en milieu Faire un focus sur les données big data issus du milieu industriel et des principales
M4 industriel applications déployées à partir de ces données
Ecosystèmes big
data Plateformes et
Introduire les principales plateformes destinées à l’IOT
technologies IOT

Anglais Niveau C1 : Advanced

M5 Techniques
Langues et TEC Introduction aux soft skills, Gestion du temps, Résolution de problèmes, Pensée critique,
d’expression et de
compétences nécessaires pour réussir dans un environnement de travail …
communication
Gestion de portefeuilles : les étudiants apprennent à construire et à gérer des portefeuilles
Gestion de
d'investissement en utilisant différentes stratégies d'investissement, Gestion de
portefeuilles
M6 portefeuilles actifs et passifs
Management V Introduction aux marchés financiers, les actions, les obligations, les produits dérivés et les
Marchés financiers fonds d'investissement, Les acteurs des marchés financiers, L'analyse des marchés
financiers, Les tendances actuelles sur les marchés financiers …
Semestre S6
Analyse de données
Appliquer et évaluer les principales méthodes et extensions d’analyse sur R, notamment à
M1 sur R
travers les extensions tydiverse
Analyse avancée
sur R Projet d’analyse sur Utiliser des bases de données existantes sur R pour mettre en valeur des informations
base de données d’analyse pertinentes u traitement avancé par réduction de dimension avec des méthodes
de visualisation interactives
Les règles de la classification et de la régression
Modélisation
Les méthodes des k plus proches voisins
Modules

M2 supervisée
Choix du modèle, régression logistique, arbres de décision
Modélisation IA
Réseaux de neurones, agrégation de modèles et support vector machine
Modélisation non Clustering par agrégation, clustering par partitionnement, clustering par modélisation,
supervisée regroupement H ascendant, cartes auto organisatrices, algorithme de Kohonen
Algorithmes de
Maitriser l’implémentation de modèles et les concepts pour organiser correctement une
M3 prédiction
étape de prédiction
Algorithmes IA et
prédiction Tests de
Maitriser les tests et les paramètres utilisés pour décrire les performances d’un modèle ainsi
performances en
que les approches de tuning pour optimiser le modèle
prédiction
 M4, M5 et M6
Projet d’implémentation mettant en pratique les compétences acquises lors du cursus de
Projet
Projet en entreprise formation
d’implémentation
Durée : 3 mois