UP1-C-ELP-F5P71920-06 - Intelligence prédictive

Options d’inscription

Data science et intelligence économique - Intelligence prédictive

le cours de data science est centré sur le desp learning avec python

Le cours de data science est centré sur la modélisation d'équations structurelles (PLS-SEM) avec R

Enseignant éditeur: Steyer Alexandre

Chemin ROF:

/École de management de la Sorbonne/M2 Pro Stratégie Internationale et Intelligence Economique/Semestre 3/UE2 Intelligence économique/Data science et intelligence économique

Chemin ROFid:

/06/UP1-PROG-06-MPF507-125/UP1-PROG-ELP-F507S325/UP1-C-ELP-F5MP7320/UP1-C-ELP-F5P71920

Code Apogée: F5P71920

Composante: École de management de la Sorbonne

Semestre: 3

Niveau: M2

Niveau LMDA: Masters

Niveau année: 5

Composition: Cours magistral

Diplôme: M2 Pro Stratégie Internationale et Intelligence Economique

Domaine ROF: [Sciences de gestion]

Type ROF: [M2]

Nature ROF: [5]

Cycle ROF: [2]

Rythme ROF: [Initiale]

Langue: Français

Mention: Management et commerce international

Spécialité: Stratégie Internationale et Intelligence Economique

Approbateur proposé Id: 113510

Approbateur effectif Id: 113510

Date validation: jeudi 16 juillet 2026, 21:42

Nombre d'ECTS: 4

Volume horaire CM: 20

Volume horaire TD: 0

Code APOGEE: F5P71920

Intitulé matière: Data science et intelligence économique

Objectifs pédagogiques:

cours intelligence prédictive:

utiliser le deep Learning pour prévoir

cours Data science:

Construire et évaluer un modèle PLS-SEM (modèle de mesure, modèle structurel, validité, significativité) pour tester un modèle théorique

Plan du cours:

Python

pytorch

creation de codes

creation de reseaux de neurones

utilisation du reseau de neurones

Modèle de mesure : fiabilité et validité

Corrélation et causalité

Médiation et modération

Modèle structurel : chemins, R² et significativité

Analyses multi groupes

Etude de cas complète.

Prérequis:

Connaissances de niveau M1 en statistiques et maîtrise des bases de R

Idéalement, avoir suivi le cours de M1 de recherche en management. Si des étudiants n’ont pas suivi ce cours, une remise à niveau sera incorporé dans la progression pédagogue du cours

Modalités d'évaluation:

Projet personnel exposé en cours (50%) et examen final (50%)

Bibliographie:

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)

Contacts: Alexandre Steyer : Alexandre.Steyer@univ-paris1.fr