Apprivoiser l’apprentissage automatique
- Durée : 7 semaines
- Effort : 30 heures
- Rythme: À votre rythme
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.

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.
Sessions de cours
IVADO-AA1FR
- Inscription
- Du 1 mars 2023 au 15 mars 2024
- Cours
- Du 21 mars 2023 au 30 mars 2024
- Langues
- Français
Équipe du cours
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)
Membre académique associé, 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 académique associé, Mila
Germain, Pascal
Ph.D, Professeur adjoint, Département d’informatique et de génie logiciel, Université Laval
Chaire en IA Canada-CIFAR
Membre académique associé, 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
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.