fbpx
frinfo@atn.ulaval.ca 418 656-2537
Nous joindre

École en ligne en apprentissage automatique

L’apprentissage automatique (machine learning) est un champ d’études de l’intelligence artificielle qui fait interagir un ensemble d’outils informatiques et statistiques permettant à l’ordinateur «d’apprendre» à partir de données. Ce dernier pourra exécuter des tâches ou répondre à des questions de façon automatique sans nécessiter explicitement de programmation.

Une formation en intelligence artificielle

L’apprentissage automatique (machine learning) est un champ d’études de l’intelligence artificielle qui fait interagir un ensemble d’outils informatiques et statistiques permettant à l’ordinateur «d’apprendre» à partir de données. Ce dernier pourra exécuter des tâches ou répondre à des questions de façon automatique sans nécessiter explicitement de programmation.

La transformation numérique étant amorcée, tous les secteurs d’activité confondus doivent intégrer ces nouvelles technologies à leur processus d’affaires pour demeurer compétitifs. Les techniques se perfectionnent continuellement et le besoin de professionnels qualifiés et formés pour ce genre d’approche croît de façon exponentielle.

Formation propulsée par :

Envie d'en savoir plus?

Ce perfectionnement est d’une durée de 45 heures et offert entièrement en ligne. 

Consultez la page officielle

Date de la prochaine école

1er au 26 mars 2021

Objectifs

Au terme de cette formation, le participant sera en mesure de résoudre des problèmes identifiés en milieu de travail au moyen des techniques d’apprentissage automatique.


Objectifs spécifiques

À la fin de cette formation, le participant sera en mesure de :

  • Identifier les problèmes rencontrés en entreprise pouvant être résolus par l’apprentissage automatique
  • Déterminer les avantages et les limites du paradigme d’apprentissage automatique
  • Fixer les requis pour la mise en place appropriée d’un pipeline d’apprentissage
  • Appliquer les techniques courantes pour résoudre des problèmes d’apprentissage automatique supervisé

Durée et mode de diffusion

  • Formule entièrement à distance – 45 heures réparties sur une période de 4 semaines
  • Infrastructure et matériel (théorie et exercices) entièrement accessibles via la Plateforme d’Apprentissage eXpérientielle (PAX) dès la première journée pour respecter le rythme de chacun
  • 25 heures estimées pour les exercices pratiques interactifs dans un environnement Jupyter
  • 6 heures de séances en direct avec les professeurs ou experts formateurs
  • Séances en direct entièrement enregistrées et disponibles
  • Assistance via un forum contextuel lors des exercices pratiques par une équipe d’étudiants chercheurs aux cycles supérieurs

Formateurs et accompagnateurs

  • François Laviolette, directeur du Centre de recherche en données massives (CRDM)
  • Christian Gagné, directeur de l’Institut intelligence et données (IID)
  • Thierry Duchesne, professeur titulaire au département de mathématiques et statistique
  • Patrick Dallaire, professeur associé et scientifique de l’IA
  • Philippe Giguère, professeur, ingénieur
Mode de diffusion
En ligne
Type de formation
Technologique

Clientèle visée

  • Informaticiens et autres professionnels des technologies de l’information
  • Ingénieurs
  • Actuaires
  • Scientifiques et chercheurs
  • Étudiants inscrits à temps plein aux cycles supérieurs dans une discipline liée

Contenu

Introduction à la science des données en Python

À la fin de ce thème préambule, le participant sera apte à :

– Connaître le langage Python et la librairie Pandas
– Appliquer des techniques de normalisation des données
– Réaliser le nettoyage des données
– Concevoir des extracteurs de caractéristiques
– Utiliser des techniques d’imputation et d’augmentation de données
– Analyser la qualité d’un ensemble de données

Introduction à l'apprentissage automatique (François Laviolette)

À la fin de ce thème, le participant sera apte à :

– Comprendre le paradigme de programmation par apprentissage automatique
– Connaître les principales formes d’apprentissage
– Comprendre les notions de généralisation et de sur apprentissage
– Appliquer une méthodologie d’apprentissage automatique rigoureuse
– Connaître les principaux algorithmes d’apprentissage supervisé
– Connaître les enjeux éthiques et les limites des algorithmes d’apprentissage automatique
– Réaliser des analyses exploratoires des données

Application des méthodes de régression linéaire (Thierry Duchesne)

À la fin de ce thème, le participant sera apte à :

– Connaître les fondements des modèles linéaires et de ses extensions
– Appliquer les méthodes d’inférence pour un modèle linéaire
– Faire la sélection des variables explicatives
– Utiliser un modèle linéaire pour effectuer des prévisions

Application des méthodes de classification (Christian Gagné)

À la fin de ce thème, le participant sera apte à :

– Connaître les fondements des différents algorithmes de classification
– Appliquer les bons algorithmes de classification selon le contexte d’application
– Comprendre l’effet des hyperparamètres sur l’erreur de généralisation

Évaluation et sélection des modèles (Patrick Dallaire)

À la fin de ce thème, le participant sera apte à :

– Comprendre la notion de métrique
– Connaître les principales métriques de classification et régression
– Comparer des modèles sur la base de certaines métriques
– Utiliser une métrique dans un cadre méthodologique de sélection de modèles
– Connaître les métriques permettant de contrer le débalancement de classes

Introduction à l'apprentissage profond (Philippe Giguère)

À la fin de ce thème, le participant sera apte à :

– Comprendre le fonctionnement d’un réseau de neurones
– Connaître les principales fonctions de perte pour les réseaux de neurones
– Comprendre la structure d’un réseau de neurones
– Entraîner un réseau de neurones avec un cadre méthodologique
– Comprendre la structure du réseau de neurones convolutionnels
– Comprendre les principaux opérateurs de convolution
– Comprendre la structure du réseau de neurones récurrent
– Réaliser de la segmentation et de la classification d’images

Coûts

Tarif régulier : 1 500 $
Tarif Scale AI : 1 125 $

Subvention Scale AI

Formation reconnue par Scale AI

Possibilité de réduction de 25% sur le prix régulier grâce à la subvention de Scale AI!

Consultez les conditions applicables.

​