Les objectifs de ce module sont d’acquérir les concepts, méthodes et outils pour mettre en place un projet d’informatique décisionnelle, d’exploiter ses résultats et de comprendre ses enjeux.

L'objectif du cours est de présenter aux étudiant-e-s les méthodes statistiques les plus répandues d’évaluation des politiques publiques en sciences économiques. L’étudiant-e apprend à mesurer les effets des politiques sur des variables qui sont liées aux objectifs politiques. Par exemple, si l’État finance la formation professionnelle de travailleurs avec de faibles qualifications, il veut aussi savoir si cette formation augmente de manière substantielle les qualifications, le salaire ou l’emploi des individus en formation. Ou si l’État subventionne certaines firmes de manière à ce qu’elle augmente la productivité tout en réduisant la pollution, on voudrait savoir si ces objectifs sont atteints.

L'approche suivie s’inscrit dans l’analyse des effets de traitement. Les individus ou les firmes sont « traitées » par les politiques et nous cherchons à estimer les effets de ces traitements. Chaque méthode est illustrée avec des exemples empiriques qui présentent les méthodes dans un contexte approprié. Tous les estimateurs sont d’abord illustrés en n’utilisant que des moyennes, ceci est fait pour des fins pédagogiques mais en même temps, cette simplicité est utile pour une compréhension fondamentale des méthodes vues en classe.

Près de la moitié du cours est consacrée à de la mise en pratique sur logiciel. Nous visons à ce que les étudiant-e-s puissent faire une évaluation de politiques et aussi qu’ils (elles) puissent critiquer des évaluations de politique en comprenant les hypothèses qui sont nécessaires pour l’obtention d’estimés crédibles des politiques publiques.

Cours de Gestion de bases de données et SQL

Il s'agit d'un cours d'initiation en data mining prédictif et statistique décisionnelle. Il vient compléter les cours de data mining descriptif en L3 Économie (Initiation) et  Master 1 Économie Appliquée (Perfectionnement).

L’objectif est de familiariser les étudiants aux enjeux et aux principales techniques de modélisation utilisées en datamining. Il a pour but de décrire les différentes démarches d’un processus de traitement de données ainsi que de présenter les principes de base de l’apprentissage automatique (Machine Learning) essentiellement dans le cas de l’apprentissage supervisé.

Chaque méthode fait l’objet d’une présentation ainsi que d’une application sur les logiciels statistiques R et/ou SAS.

A l'issue du cours, l'étudiant maitrisera les fondements théoriques des méthodes de datamining explicatif et saura appliquer ces méthodes sur de vraies données à l'aide des logiciels R et/ou SAS. Plus largement, l'étudiant aura acquis un savoir-faire dans le classement et la prédiction à l'aide de méthodes de datamining et de statistique décisionnelle.


All your documents in English for semester One