Skip to main content
catalogue.edulib.org
  • Courses
  • Organizations
  • Series
  • EDUlib Help Centre
  • Sign up
  • Login
  • You are here:
  • Home
  • Courses
  • Apprivoiser l’apprentissage automatique
EDUlibEDUlibArtificial and numeric intelligencePaying

Apprivoiser l’apprentissage automatique

Ref. AA1FR
  • Duration: 7 weeks
  • Effort: 30 hours
  • Pace: Self paced

J’entends et j’oublie,
Je vois et je me souviens,
Je fais et je comprends.


Quelle belle citation de Confucius pour expliquer qu’on apprend mieux en pratiquant un nouveau concept qu’en lisant simplement à son sujet. S’adressant principalement aux professionnels, ainsi qu’à tout apprenant ayant un intérêt pour l’apprentissage automatique (AA), ce MOOC vous permettra d’acquérir les connaissances de base en AA, d’expliquer son fonctionnement et de vous pratiquer à l’aide de tutoriels en Python.

main organization logo

Description

L’objectif principal du MOOC Apprivoiser l'Apprentissage Automatique est de vous présenter les concepts importants de manière simplifiée, puis de les pratiquer à l’aide de 7 tutoriels en Python sur l’application en ligne Colab accessible gratuitement. Le niveau théorique est ajusté pour mettre l’emphase sur les principes des méthodes présentées et illustrées avec des exemples concrets. Il y a peu de démonstrations mathématiques avancées.

Pourquoi suivre ce MOOC en AA?

  • L’AA fera son arrivée prochainement dans votre organisation et vous souhaitez être prêt.
  • Vous l'utilisez depuis un moment déjà et vous souhaitez vous tenir à jour.
  • Vous pensez à une réorientation de carrière et vous voulez tester votre intérêt.
  • Vous envisagez de mener votre entreprise vers l’adoption de l’intelligence artificielle (IA).
  • On vous a proposé de créer un groupe ou projet en IA et vous aimeriez en apprendre assez sur le sujet pour gérer celui-ci et recruter du personnel qualifié.
  • Vous avez tout simplement un intérêt pour l’AA et l’IA et souhaitez en apprendre davantage.

Vous serez initié à toutes les étapes à effectuer lors d’un projet en AA. Vous voulez prédire la pression à l’intérieur d’une turbine en fonction des données de multiples senseurs? C’est de la régression! Vous voulez prédire si un patient est atteint ou non de diabète en fonction des résultats d’un examen médical? C’est de la classification! Vous voulez regrouper les clients en différents segments? C’est du regroupement de données! Il y a de nombreuses applications dans une multitude de domaines.

Pour bien appliquer l’AA dans un projet, il faut d’abord comprendre l’importance des données, comment les nettoyer afin de les mettre en valeur, puis quelle méthode en AA permettrait d’extraire la bonne information.

Le cours est divisé en sept modules que vous pourrez suivre à votre rythme. Vous pourrez tester votre compréhension avec de la rétroaction au moyen d’un questionnaire dans chaque module.

Ce MOOC résulte d’une collaboration entre l’Institut de valorisation des données (IVADO) de l’Université de Montréal, l’Institut intelligence et données (IID) de l’Université Laval, à Québec, et Mila - Institut québécois d’intelligence artificielle.

Le contenu a été développé par des professeurs, scientifiques des données, des informaticiens et ingénieurs ayant de l’expérience en R et D académique et industrielle.

Dans ce MOOC, le genre masculin est utilisé comme générique, dans le seul but de ne pas alourdir le texte.

Ce que vous apprendrez

Au terme de cette formation en ligne, l’apprenant sera en mesure de: 

  • Définir les notions fondamentales de l'apprentissage automatique telles que sous/sur-apprentissage, validation, optimisation.
  • Identifier le type d'un problème d'apprentissage automatique donné (Ex., supervisé / non-supervisé).
  • Expliquer le fonctionnement et les mécanismes de l’apprentissage automatique. 
  • Identifier les besoins en données pour la réalisation d’un projet en AA.
  • Utiliser l’application Colab pour écrire et exécuter du code Python.
  • Analyser les courbes de performances en entraînement et en validation d’un algorithme d'apprentissage afin d’établir un diagnostic sur le choix des hyperparamètres, de la technique d’optimisation et des données.

Champs disciplinaire

Apprentissage automatique, sciences informatiques, intelligence artificielle. 

Prérequis

  • Connaissance de base de l'algèbre linéaire et du calcul différentiel.
  • Connaissance de base en programmation Python.

Plan du cours

Voici les contenus théoriques et pratiques de l’AA abordés dans chaque module: 

  • Module 1 - Introduction à l’AA 
  • Module 2 - Notions de base 
  • Module 3 - Méthodes classiques supervisées : Préambule
    • Tutoriel de pratique Colab: Comparaison de différentes méthodes de régression     
  • Module 4 - Méthodes classiques supervisées
    • Tutoriel de pratique Colab: Comparaison de différentes méthodes de classification
  • Module 5 - Méthodes classiques avancées
    • Tutoriel de pratique Colab: Exemples d’apprentissage profond
  • Module 6 - Méthodes d’apprentissage non supervisé
    • Tutoriel de pratique Colab 1: Exemple de regroupement des données en analyse exploratoire
    • Tutoriel de pratique Colab 2: Exemple de regroupement des données en analyse d’images 
  • Module 7 - Mise en pratique dans l’industrie 
    • Tutoriel de pratique Colab 1: Exemples de préparation des données 
    • Tutoriel de pratique Colab 2: Sélection et optimisation d’un modèle optimal

Attestation

Ce MOOC représente environ 30 heures de travail. Une attestation reconnaissant votre participation est offerte au coût de 110 dollars canadiens, à condition d'avoir obtenu la note de passage. 

Course runs

IVADO-AA1FR

Enrollment
From March 1, 2023 to March 15, 2024
Course
From March 21, 2023 to March 30, 2024
Languages
French
Enroll now

Course team

Durand, Audrey

Ph.D, Professeure adjointe, Département d’informatique et de génie logiciel / Département de génie électrique et génie informatique, Université Laval
Titulaire, Chaire Canada-CIFAR en intelligence artificielle
Chercheure membre, Institut intelligence et données (IID)
Chercheure affiliée, Mila 

Gagné, Christian

Ph.D, ing., Professeur titulaire, Département de génie électrique et de génie informatique, Université Laval
Chaire en IA Canada-CIFAR
Directeur, Institut intelligence et données (IID)
Membre affilié externe, Mila

Germain, Pascal

Ph.D, Professeur adjoint, Département d’informatique et de génie logiciel, Université Laval
Chaire en IA Canada-CIFAR
Membre affilié externe, Mila
Chercheur membre, Institut intelligence et données (IID) 
Chercheur membre, Centre de recherche en données massives (CRDM)

Gidel, Gauthier

Ph.D, Professeur adjoint, Département d'informatique et de recherche opérationnelle (DIRO), Université de Montréal
Chaire en IA Canada-CIFAR
Membre académique principal, Mila et IVADO

Rabusseau, Guillaume

Ph.D, Professeur adjoint, Faculté des arts et des sciences - Département d'informatique et de recherche opérationnelle (DIRO), Université de Montréal
Chaire en IA Canada-CIFAR 
Membre académique principal, Mila 

Bertrand, Quentin

Ph.D, Chercheur postdoctoral, Mila 

Gravel, Pierre

Ph.D, Scientifique des données, Institut intelligence et données (IID), Université Laval

Yassine, Marouane

Scientifique des données, Institut intelligence et données (IID), Université Laval
Étudiant à la M.Sc., Université Laval

Accompagnement technopédagogique

Tetyana Tsomko | Conseillère technopédagogique

Centre de pédagogie universitaire, Université de Montréal

Média

Vincent Richer | Concepteur en médiatisation

Centre de pédagogie universitaire, Université de Montréal

Membres de l'équipe pédagogique

Nabila Ouchene | Coordonnatrice

IVADO

Patrick Loic Foalem | Assistant scientifique

Polytechnique Montréal

Hanifa Barry | Assistante technique et scientifique

Université de Montréal

Soutien et contrôle de la qualité

Vincent Laberge | Conseiller technopédagogique

Support technopédagogique et évaluateur de contrôle de qualité | EDUlib | Centre de pédagogie universitaire | Université de Montréal

Natacha Brassard | Conseillère technopédagogique

Support technopédagogique et évaluatrice de contrôle de qualité | EDUlib | Centre de pédagogie universitaire | Université de Montréal

André Guay | Concepteur en médiatisation

Support technopédagogique et évaluateur de contrôle de qualité | EDUlib | Centre de pédagogie universitaire | Université de Montréal

Licence

Les contenus de ce cours sont disponibles sous la licence Creative Commons "CC BY-NC-ND"

Les contenus proposés sous cette licence autorisent une réutilisation (sans modifications) sous réserve de créditer l’auteur et hors usage commercial.

Organizations

IVADO
Université de Montréal
Mila

Learn more

  • About
  • Help Centre
  • Terms of services
  • Honour code
  • Sitemap
FacebookTwitter

2023 © EDUlib All Rights Reserved.

Powered by Richie & open edX