Apprivoiser l'apprentissage automatique
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 sept tutoriels en Python sur l’application en ligne Colab accessible gratuitement.
Pourquoi suivre ce MOOC en Apprentissage automatique?
- L’apprentissage automatique (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.
Syllabus
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
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.