École en ligne en apprentissage automatique
Déjà à sa 4e édition, l’École en ligne en apprentissage automatique permettra aux participants et participantes d’intervenir sur des projets dans leur domaine et leur transmettra le bagage nécessaire à la poursuite de cet apprentissage dans leur milieu de travail, de recherche ou d’études.
Date
- 01 mars 2021
- 26 mars 2021
Heure
09h00 à 16h00 09h00 à 16h00
Localisation
En téléprésence.
Coûts
De 500$ à 1500$
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.
Déjà à sa 4e édition, la formation permettra aux participants d’intervenir sur des projets dans leur domaine et leur transmettra le bagage nécessaire à la poursuite de cet apprentissage dans leur milieu de travail, de recherche ou d’études.
Formule en ligne
La formule en ligne de l’École en apprentissage automatique permet aux participants de compléter la formation entièrement à distance à un rythme adapté à leur horaire. En plus de profiter de l’enseignement provenant des professeurs de la Faculté des sciences et de génie les participants pourront bénéficier d’un accompagnement lors des exercices pratiques assure par une équipe d’experts.
Les participants se verront offrir un accès en tout temps à un forum contextuel où ils pourront échanger avec leurs pairs et obtenir une rétroaction des formateurs via une plateforme d’apprentissage distinctive unique développée au sein même de la Faculté. Ils pourront également s’entretenir directement avec nos experts lors des 5 séances de question en direct prévues à différents moments au cours de la formation. Les apprenants quitteront avec une connaissance pratique et appliquée de l’apprentissage automatique qui leur donnera la confiance nécessaire pour prendre des décisions stratégiques réfléchies et amorcer des changements dans leur organisation.
Application possibles de l’apprentissage automatique dans vos activités professionnelles
- Gestion du risque
- Gestion des commandes et des réclamations, optimisation des niveaux d’inventaire
- Protection des données personnelles
- Connaissance du client (comprendre ses comportements et ses préférences
- Conduite autonome
- Adapter les techniques de culture à la météo (secteur agriculture)
- Maintenance prédictive
- Reconnaissance vocale et de l’écriture manuscrite
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
Objectifs
Objectif général :
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
Préalables
- Programmer ou être capable d’interpréter un langage de programmation
- Être initié au langage de programmation Python
La première semaine est nécessaire pour ceux qui ne connaisse pas Python mais qui connaissent la programmation. Elle sert de rappel pour les notions entourant le nettoyage et la préparation des données. Également, le visionnement d’un tutoriel est fortement recommandé aux participants ignorant les bases du langage Python. Au besoin, consultez les chapitres 2 à 10 du livre de Gérard Swinnen pour en faire les exercices. Consulter ici.
Un tutoriel expliquant succinctement les convolutions en python permet également de mieux en apprécier la syntaxe et les usages.
Envie d’aller plus loin dans votre apprentissage de Python? Inscrivez-vous à l’une de nos 4 formations en ligne en programmation Python.
Matériel requis
Chaque participant doit avoir un portable ayant une capacité minimale de 8 Go de RAM.
Précisions sur la formation
- 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
Programme
Semaine 1 – 1er au 5 mars :
- Webinaire d’accueil le 1er mars
- Semaine consacrée à l’introduction à la science des données en Python
Semaine 2 – 8 au 12 mars :
- Mardi 9 mars : séance en ligne et période de question avec François Laviolette
- Vendredi 12 mars : séance en ligne et période de question avec Marie-Pier Côté
Semaine 3 – 15 au 19 mars :
- Mardi 16 mars : séance en ligne et période de question avec Christian Gagné
- Vendredi 19 mars : séance en ligne et période de question avec Patrick Dallaire
Semaine 4 – 22 au 26 mars :
- Mardi 23 mars : séance en ligne et période de question avec Philippe Giguère
Détail des activités de formation
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 (Marie-Pier Côté)
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
Formateurs
Professeur titulaire, Faculté des sciences et de génie, Université Laval
Directeur, Centre de recherche en données massives (CRDM)
Titulaire, Chaire Canada-CIFAR en intelligence artificielle
Titulaire, Chaire de recherche industrielle CRSNG-Intact Corporation financière sur l’apprentissage machine en assurance
François Laviolette est professeur titulaire au département d’informatique et de génie logiciel de l’Université Laval. Ses travaux de recherches portent sur l’intelligence artificielle, en particulier l’apprentissage automatique.
Chef de file de la théorie PAC-bayésienne, qui permet de mieux comprendre les algorithmes d’apprentissage automatique et d’en concevoir de nouveaux, il s’intéresse entre autres à ceux permettant de résoudre des problèmes d’apprentissage liés à la génomique, à la protéomique et à la découverte de médicaments. Il s’intéresse également à rendre les intelligences artificielles interprétables dans le but de mieux intégrer des systèmes où des humains sont dans la boucle de décision.
Il est directeur du Centre de recherche en données massives de l’Université Laval qui regroupe plus de 50 professeurs chercheurs.
Professeure adjointe, Faculté des sciences et de génie, Université Laval
Titulaire, Chaire de leadership en enseignement en analyse de données massives pour l’actuariat – Intact
Marie-Pier Côté est professeure à l’École d’actuariat de l’Université Laval, Fellow de la Society of Actuaries et titulaire de la Chaire de leadership en enseignement en analyse de données massives pour l’actuariat – Intact.
Professeure Côté détient une maîtrise (2014) et un doctorat (2018) en statistique de l’Université McGill. Ses travaux de recherche portent, entre autres, sur la modélisation statistique de la dépendance entre les risques d’assurance et sur le développement de modèles d’apprentissage statistique pour la tarification et les réserves en assurance générale. Déjà coauteure de plusieurs articles, elle collabore de près avec des partenaires de l’industrie de l’assurance dans le cadre de sa recherche et est membre du Centre de recherche en données massives de l’Université Laval.
Scientifique de l’IA
Patrick Dallaire est professeur associé au département d’informatique et génie logiciel de l’université Laval. Il fonde en 2019 l’entreprise de développement de solution d’intelligence artificielle SmartyfAI et a par le passé occupé la fonction de scientifique des données en IA au Centre de recherche en données massives de l’Université Laval ainsi que de chercheur en vision numérique à l’Institut National d’Optique.
M. Dallaire a développé et dirigé plusieurs formations, dont une en apprentissage machine d’une semaine et a été mandaté en tant qu’expert pour le développement du nouveau programme d’AEC en intelligence artificielle du Cégep de Sainte-Foy.
Professeur agrégé, Faculté des sciences et de génie, Université Laval
Codirecteur, Norlab
Responsable de l’axe Environnement physique, IID
Philippe Giguère, ing. (Bac. : Génie Physique U. Laval, Maîtrise : Northeastern U., Ph.D. : U. McGill) est professeur adjoint au département d’informatique et de génie logiciel de l’Université Laval depuis 2010. Il possède une douzaine d’années d’expertise en robotique et capteurs, en plus de cumuler 6 années d’expérience en entreprise privée sur des systèmes ordinés ou embarqués. Il dirige des recherches en robotique mobile (Norlab) et intelligence artificielle (laboratoire DAMAS).
L’objectif principal de ses recherches vise à augmenter le degré d’autonomie des systèmes cyber-physiques (robots intelligents), via l’application de méthodes d’apprentissage automatique ou de fusion de données. Ses projets des dernières années ont touché à la vision numérique, au traitement de nuage de point 3D, à la localisation, à la préhension et à la perception tactile. Finalement, il est membre du regroupement pour les environnements intelligents FRQNT-REPARTI, du centre de recherche en données massive (Big Data) de l’Université Laval et du réseau canadien CRSNG de robotique de terrain (NCFRN en anglais).
Professeur titulaire, Faculté des sciences et de génie, Université Laval
Directeur, Institut intelligence et données (IID)
Titulaire, Chaire Canada-CIFAR en intelligence artificielle
Christian Gagné est professeur au département de génie électrique et de génie informatique de l’Université Laval depuis 2008. Il est le directeur de l’Institut intelligence et données (IID) de l’Université Laval. Il détient une Chaire en intelligence artificielle Canada-CIFAR et est membre associé à Mila. Il est également membre du Laboratoire de vision et systèmes numériques (LVSN), une composante du Centre de recherche en robotique, vision et intelligence machine (CeRVIM), ainsi que du Centre de recherche en données massives (CRDM) de l’Université Laval. Il fait parti des regroupements stratégiques REPARTI et UNIQUE du FRQNT, du centre VITAM du FRQS et de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA).
Il a complété un doctorat en génie électrique (Université Laval) en 2005 pour ensuite effectuer un stage postdoctoral conjointement à l’INRIA Saclay (France) et l’Université de Lausanne (Suisse) en 2005-2006. Il a œuvré comme associé de recherche en milieu industriel entre 2006 et 2008. Il est membre du comité exécutif de l’ACM Special Interest Group on Evolutionary Computation (SIGEVO) depuis 2017.
Ses intérêts de recherche portent sur l’élaboration de méthodes pour l’apprentissage machine et l’optimisation stochastique. En particulier, il s’intéresse aux réseaux de neurones profonds, à l’apprentissage et au transfert de représentations, au méta-apprentissage ainsi qu’à l’apprentissage multitâche. Il s’intéresse également aux approches d’optimisation basées sur des modèles probabilistes ainsi qu’aux algorithmes évolutionnaires, entres autres pour l’optimisation boîte noire et la programmation automatique. Une part importante de ses travaux porte également sur la mise en pratique de ces techniques dans des domaines comme la vision numérique, la microscopie, la santé, l’énergie et les transports.
Formation accréditée par Scale AI
Inscrivez-vous à cette formation accréditée par Scale AI et bénéficiez d’un rabais de 25% sur le tarif régulier. Pour bénéficier de cette subvention à titre individuel, les participants doivent respecter les critères suivants :
- Travailler dans une entreprise enregistrée au Québec;
- Être en emploi au Québec.
ET ne pas travailler pour :
- un ministère ou un organisme du gouvernement du Québec dont le personnel est nommé et rémunéré en vertu de la Loi sur la fonction publique du Québec;
- un parti ou une association politique;
- un ministère ou un organisme relevant du gouvernement fédéral;
- une entreprise dont les activités sont interrompues en raison d’un conflit de travail (grève ou lock-out);
- une entreprise qui n’a pas fini de rembourser une dette contractée antérieurement envers Emploi-Québec ou le ministère de l’Emploi, de la Solidarité sociale et de la Famille, sauf si celle-ci respecte une entente écrite de remboursement avec le Ministère ou Emploi-Québec.
À noter, le nom de votre entreprise, l’adresse et le numéro d’entreprise du Québec (NEQ) de votre entreprise vous seront demandés lors de votre inscription afin de bénéficier du rabais.
Si vous êtes admissible, utilisez le code promotionnel : ScaleEVEL dans l’espace prévu à cet effet lors de la transaction.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.