Introduction à la data science

Introduction : aperçu de la discipline

La science des données est un champ interdisciplinaire récent, mais avec des racines qui remontent loin. Dès l’Antiquité, les sociétés collectaient des données pour le recensement ou l’imposition (par exemple les registres mésopotamiens). L’avènement de la statistique au XVIIIe siècle, centrée sur la collecte et l’analyse de données démographiques et économiques, marque un premier jalon.

Au XIXe siècle, l’invention de la méthode des moindres carrés (Gauss, Legendre) et la formalisation des lois de probabilité (Laplace, Bernoulli) ouvrent la voie à l’analyse quantitative moderne. La statistique devient alors un outil central dans diverses disciplines dont l’économie, l’astronomie et la biologie.

Le XXe siècle apporte deux évolutions majeures :
— L’informatique (Turing, Von Neumann, premiers ordinateurs dans les années 1940-1950),

qui rend possible le traitement automatique de grandes quantités de données.

— L’apprentissage automatique (machine learning), dès les années 1950 avec les pre- miers perceptrons (Rosenblatt) et algorithmes d’arbres de décision, qui visent à doter les machines de capacités de déduction ou de reconnaissance.

— Dans les années 1990-2000, l’explosion d’Internet et la baisse des coûts de stockage don- nant naissance à l’ère du Big Data. Les volumes, vitesses et variétés de données dépassent les méthodes statistiques traditionnelles. C’est dans ce contexte qu’émerge véritablement la Data Science, définie comme la combinaison de la statistique, de l’informatique et de la connaissance métier pour extraire de l’information exploitable.

Aujourd’hui, la science des données irrigue l’ensemble de la société : économie numérique, santé, climat, sciences sociales, mais aussi divertissement (recommandations Netflix, algorithmes de réseaux sociaux). Elle se situe à la croisée de l’analyse statistique, de l’apprentissage automa- tique et de l’intelligence artificielle, et constitue une discipline clé pour comprendre et piloter un monde saturé de données.

Nous allons, en complementarité avec le cours d’économétrie, nous intéresser aux rudiments de la fouille de données (Data Mining).

La fouille de données (Data Mining)

La fouille de données est une branche spécifique de la science des données, apparue dans les années 1980-1990 avec la montée en puissance des bases de données relationnelles (SQL, etc...). Alors que les entreprises et administrations accumulaient d’énormes volumes d’information (transactions bancaires, historiques de clients, données industrielles), le besoin d’automatiser la découverte de motifs utiles pour des raison de politiques publiques ou de maximisation de profit est apparue.

La fouille de données consiste à appliquer des méthodes statistiques et informatiques pour découvrir des structures cachées dans de grands ensembles de données. Elle comprend plusieurs tâches fondamentales :

—  Classification : attribuer une catégorie à une observation (ex. reconnaître un email comme “spam” ou “non spam”).

—  Clustering : regrouper les données selon leurs similarités (ex. segmentation de clients).

—  Règles d’association : identifier des cooccurrences fréquentes (ex. “les clients qui achètent du café achètent aussi du sucre”).

—  Détection d’anomalies : repérer des comportements inhabituels (fraude bancaire, dé- faillances industrielles).

Les bases de données massives et l’augmentation de la puissance de calcul ont ensuite permis d’intégrer des méthodes plus complexes comme les arbres de décision, les réseaux de neurones ou le clustering hiérarchique. La fouille de données s’inscrit donc comme le versant exploratoire de la science des données : elle vise à faire émerger des connaissances implicites à partir de données brutes, souvent sans hypothèse a priori. Aujourd’hui, elle est un pilier de nombreux domaines appliqués : marketing, finance, cybersécurité, santé publique et recherche scientifique.

L’objectif de ce cours est de faire une introduction et pratique à la Data Science, avec une mise à niveau mathématique et informatique adaptée aux étudiants de L3 qui ont peu d’expérience en programmation et en analyse de données. Ce cours s’inscrit en complément au cours de L3 Économétrie.

Syllabus indicatif :

TD1 / CM1 + S1-S3 : Discussions générales sur la Data Science. Bases mathématiques et rappels

Objectifs : Acquérir les fondaments mathématiques et informatiques et d'observation de données nécessaires à la Data Science
Notions Clés  : Algèbre linéaire (matrices, systèmes linéaires); Probabilités et statistiques (espérance, variance, lois usuelles) ; Optimisation (convexité, descente de gradient) ; observation de graphiques
Exercices proposés : Produit de matrices et résolution des systèmes; jeu probabilistes; minimisation des fonctions ; optimisation sous-contrainte ; vraisemblance ; tests statistiques ; boxplot, scatter plot, etc...

TD2/CM1 + S3-S4 : Mise en place + Bases Python

Objectifs : Installer et utiliser Jupyter Notebook ; maîtriser les bases du langage
Notions clés : Installation Anaconda/Jupyter ; variables; types; opérations arithmétiques/logiques ; listes ; dictionnaires ; boucles ; condi- tions
Exercices proposés : Créer un notebook; écrire Hello World; mini-calculatrice; somme des entiers de 1 à n;

TD3 + S4-S5 : Python avancé et Fonctions
Objectifs : Écrire des fonctions et structurer son code; manipuler des structures avancées
Notions clés: Fonctions (arguments, retours; modules (math, random); compréhensions de listes; exceptions
Exercices proposés : Fonction moyenne/variance; simulateur de dés ; menu interactif ; simulation de jeux (TD1)

TD4 + S5 : NumPy, Pandas, Matplotlib
Objectifs : écrire des fonctions et sutrcturer son code; manipuler des structures avancées 
Notions clés : NumPy (opérations vectorisées) ; Pandas (DataFrame, groupby, filtres, import/export CSV) ; Matplotlib (histogrammes, scatter, courbes)
Exercices proposés : Charger dataset ; afficher stats descriptives; tracer histogramme et scatter plot

TD5 + S6 : Régression supervisée
Objectifs : Prédire une variable continue avec un modèle supervisée
Notions clés : Train/test split; normalisation; régression linéraire; métriques; (R2, MSE, RMSE) dataset éco- supervisé
Exercices proposés : Prédire prix de maisons ; interpréter coefficients ; comparer normalisation

TD6 + S7 : Classification (Digits)
Objectifs : Classer des données en catégories ; in- troduire métriques de classification
Notions clés : Logistic Regression, KNN, Ran- dom Forest ; matrice de confu- sion ; classification report ;
Exercices proposés : Classer chiffres 0–9 ; comparer modèles ; images mal classées

TD7 + S8 : Apprentissage non-supervisé
Objectifs : décrouvrir les méthodes exploratoires
Notions-clés : Clustering (K-means, hiérarchique) ; visualisation des clusters
Exercices proposés : Appliquer K-means ; comparer clustering vs vraies classes

TD8 + S8-S10 : Comparaison de modèles +Mini-projet
Objectifs : Savoir évaluer et comparer plusieurs modèles; appliquer un workflow complet
Notions clés : Validation croisée; Surapprentissage/sousapprentissage; Random Forest, SVM, Logistic Regression
Exercices proposés : Comparer 3 modèles supervisés ; 1 méthode non supervisée; rapport final

Matériel nécessaire :

Un ordinateur personnel disposant d’un accès à Internet et d’une puissance suffisante pour exécuter Python et ses bibliothèques de traitement de données et de machine learning.