| Niveau d'études visé | Bac +3 |
|---|---|
| Durée de la formation en année | 3 ans |
| Statut de l'école | Non renseigné |
| Rythme de formation | Temps plein |
| Modalité | En présentiel |
| Prix | Non renseigné |
Description
Le BUT Science des Données parcours Exploration et Modélisation Statistique proposé par l'IUT de Poitiers - Niort - Châtellerault - site de Niort forme des spécialistes capables d'extraire de la valeur à partir de données massives et complexes. Au programme : apprentissage des techniques statistiques avancées, maîtrise des outils de visualisation et d'exploration de données, conception de modèles prédictifs, manipulation de bases de données et utilisation de langages de programmation comme Python et R. Les étudiants développent des compétences solides en analyse statistique, en data mining, en machine learning et en communication des résultats pour accompagner la prise de décision stratégique. Cette formation professionnalisante prépare aux métiers de data analyst, chargé d'études statistiques, data scientist junior ou consultant en analyse de données, des profils très recherchés dans les secteurs de la santé, du marketing, de la finance, de l'industrie et des services numériques.
Programme
- Statistiques descriptives et inférentielles : analyse de données, estimation, tests d'hypothèses
- Exploration de données : visualisation, traitement des données manquantes, méthodes non supervisées
- Modélisation statistique : régressions, modèles linéaires et généralisés, sélection de variables
- Apprentissage automatique : algorithmes supervisés, validation croisée, évaluation des modèles
- Projet de données appliqué : collecte, traitement, analyse et communication des résultats
Objectifs de la formation
- Acquérir les compétences pour collecter, nettoyer et préparer des données complexes en vue d’une analyse statistique rigoureuse.
- Maîtriser les méthodes d’exploration de données pour extraire des informations pertinentes et identifier des tendances significatives.
- Développer des modèles statistiques et prédictifs adaptés aux problématiques réelles rencontrées dans les domaines variés d’application.
- Savoir utiliser des outils informatiques et langages de programmation (ex. Python, R) dédiés à la science des données et à la modélisation statistique.
- Être capable de communiquer clairement les résultats d’analyse à travers des rapports et visualisations adaptées à des publics techniques ou non-techniques.