UE Transitions numériques : méthodes et outils de la conduite du changement

Cette UE aborde les outils utiles aux futurs ingénieurs conseil et manager. A travers des interventions en marketing stratégique, sociologie et acceptabilité, il s’agira d’appréhender les enjeux de changement que représentent les transitions numériques pour les organisations et les acteurs qui les animent. L’UV a pour objectif de présenter des outils méthodologiques mobilisables pour le conseil, l’audit et la mesure d’impact.

UE Stratégies d’innovation à l’ère du numérique

Cette UE aborde l’innovation et les transitions numériques, et les questions qu’elles posent à la société et aux organisations (exemple : « l’Uberisation » ou les réseaux sociaux d’entreprise). L’innovation est multifacettes, son analyse requiert des approches diversifiées, elle bouleverse le positionnement des entreprises et leurs rapports de force, le pouvoir et le rôle des acteurs, les modèles économiques, les propositions de valeurs, l’emploi…

À travers des interventions en économie, droit et sociologie, toutes orientées vers l’innovation, les techniques et le numérique, il s’agira d’appréhender les enjeux que représentent les transitions numériques à un niveau global.
Dans le travail personnel les étudiants utiliseront les deux MOOC existants au sein de l’IMT (« Innover en entreprendre dans un monde numérique » et « Comprendre l’économie collaborative »).

UE Fondement de l’analyse de données – Machine learning

L’UE vise à donner un socle théorique et pragmatique aux étudiants sur les concepts fondamentaux de la décision statistique et de l’apprentissage automatique (non supervisé et supervisé). L’UE propose deux visions complémentaires, l’une partant des données (data driven) et l’autre s’appuyant sur des modèles probabilistes (model driven). Le machine learning sera d’abord abordé sous l’angle de l’apprentissage non supervisé et de méthodes de réduction de dimension comme l’ACP, l’ACM et le clustering. L’apprentissage supervisé sera introduit à travers la théorie statistique de la décision et de l’estimation, qui inclut des approches paramétriques (Neyman-Pearson, classifieur de Bayes), non paramétriques (Parzen, k plus proches voisins) ou non métriques (arbre de décision).

Les étudiants mettront l’accent sur la méthodologie d’enquête en réalisant un projet de groupe concret, allant de la collecte (sondage) à l’analyse de données.