Science des données

La science des données est l'étude de l’extraction automatisée de connaissance à partir de grands ensembles de données. Plus précisément, la science des données est un domaine interdisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des idées à partir de nombreuses données structurées ou non . Elle est souvent associée aux données massives et à l'analyse des données. Elle utilise des techniques et des théories tirées de nombreux domaines dans le contexte des mathématiques, des statistiques, de l'informatique, de la théorie et des technologies de l'information, parmi lesquelles : l’apprentissage automatique, la compression de données et le calcul à haute performance. La science des données produit des méthodes de tri et d’analyse de données de masse afin d’en extraire des informations utiles. Pour cela, elle se met en œuvre selon quatre étapes : La fouille, Le nettoyage/formatage, Le traitement : Traitements classiques, Apprentissage automatique, Visualisation de données, L'exploitation des résultats sous forme de tableaux de bord et d'outils d'aide à la décision, de la publication de résultats (interne à l'entreprise, ou publics) Le spécialiste de science de données est donc souvent appelé à faire appel aux statistiques et au traitement du signal. Il s'attelle donc à la classification, au nettoyage, à l'exploration et à l'analyse de bases de données plus ou moins interopérables. Cette discipline est issue de l'apparition et du développement des bases de données et de l'Internet et répond aussi à la complexité croissante et au volume en croissance exponentielle du nombre de données numériques disponibles dans le monde (infobésité). Elle a reçu beaucoup d'attention dernièrement grâce à l’intérêt grandissant pour les "données massives". Cependant, la science des données ne se limite pas à l’étude de bases de données pouvant être qualifiées de "données massives".

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (31)

Personnes associées (17)

Concepts associés (33)

Cours associés (336)

Séances de cours associées (1 000)

MOOCs associés (33)

Data-driven whole mouse brain modeling for multi-scale simulations

Dimitri Bruno Marie Rodarie

In this thesis, we present a data-driven iterative pipeline to generate, simulate and validate point-neuron models of the whole mouse brain. The ultimate goal is to replicate close loop experiments wi

EPFL2022

This paper introduces an approach to supporting high-dimensional data cubes at interactive query speeds and moderate storage cost. The approach is based on binary(-domain) data cubes that are judiciou

2022

2022 roadmap on low temperature electrochemical CO2 reduction

Sophia Haussener, Raffaella Buonsanti, Etienne Boutin, Ludmilla Steier, Xiaoyan Wang, Ming Ma, Xuan Liu

Electrochemical CO2 reduction (CO2R) is an attractive option for storing renewable electricity and for the sustainable production of valuable chemicals and fuels. In this roadmap, we review recent pro

IOP Publishing Ltd2022

Big data

Le big data ( « grosses données » en anglais), les mégadonnées ou les données massives, désigne les ressources d’informations dont les caractéristiques en termes de volume, de vélocité et de variété imposent l’utilisation de technologies et de méthodes analytiques particulières pour créer de la valeur, et qui dépassent en général les capacités d'une seule et unique machine et nécessitent des traitements parallélisés. L’explosion quantitative (et souvent redondante) des données numériques permet une nouvelle approche pour analyser le monde.

Data blending

Data blending is a process whereby big data from multiple sources are merged into a single data warehouse or data set. It concerns not merely the merging of different s or disparate sources of data but also different varieties of data. Data blending allows business analysts to cope with the expansion of data that they need to make critical business decisions based on good quality business intelligence. Data blending has been described as different from data integration due to the requirements of data analysts to merge sources very quickly, too quickly for any practical intervention by data scientists.

Statisticien

Le statisticien utilise des statistiques théoriques et appliquées dans le secteur privé et le secteur public. Le cœur du travail est de mesurer, interpréter et décrire le monde en combinant généralement l'interprétation statistique avec des fortes connaissances sur le domaine d'étude. Les domaines d'applications sont très variés : la production, la recherche, les finances, la médecine, l'assurance et les statistiques descriptives au sujet de la société. Les statisticiens sont souvent employés en tant qu'aides à la décision.

COM-412: Semester project in Data Science

Individual research during the semester under the guidance of a professor or an assistant.

COM-508: Optional project in data science

Individual research during the semester under the guidance of a professor or an assistant.

BIO-378: Physiology lab I

Le TP de physiologie introduit les approches expérimentales du domaine biomédical, avec les montages de mesure, les capteurs, le conditionnement des signaux, l'acquisition et traitement de données. Le

Humanitarian Action in the Digital Age

The first MOOC about responsible use of technology for humanitarians. Learn about technology and identify risks and opportunities when designing digital solutions.

Systèmes d’Information Géographique 1

Organisé en deux parties, ce cours présente les bases théoriques et pratiques des systèmes d’information géographique, ne nécessitant pas de connaissances préalables en informatique. En suivant cette

Systèmes d’Information Géographique 1

Diffusion-Convection: Modélisation et Schémas

Couvre la modélisation et les schémas numériques pour les problèmes de diffusion-convection.

Apprentissage Automatique: Physique et Données

Explore l'apprentissage automatique atomistique, intégrant les principes physiques dans les modèles pour prédire avec précision les propriétés moléculaires.

Mise à jour Excel: Fonctions avancées et analyse de données

Couvre les fonctions avancées Excel et les techniques d'analyse de données, y compris l'enregistrement automatique et l'utilisation de Solver.