Les séances de cours et de laboratoire seront dédiées à la conception et à l’application de solutions utilisant les technologies d’analyse de données et d’apprentissage automatique. Cette approche permettra aux étudiants d’apprendre et d’appliquer les étapes de conception dans la réalisation de systèmes prédictifs orientés vers les besoins de l’entreprise. Plus spécifiquement, au terme de ce cours, les étudiants devront être capables :

• De réaliser différentes analyses exploratoires multidimensionnelles avec des données numériques et nominales;
• De reconnaître les éléments d’un système prédictif;
• De réaliser les interconnexions logiques entre l’analyse de données et l’apprentissage automatique;
• D’adapter ces technologies de l’intelligence artificielle au secteur manufacturier et des services;
• De concevoir des systèmes prédictifs à l’aide d’une plateforme infonuagique;
• De déployer ces systèmes prédictifs.

39           heures de cours

24           heures de laboratoires

3 heures de travail personnel par semaine

La lecture et la compréhension des notes de cours est obligatoire pour la réussite de ce cours.

Trois (3) heures de cours par semaine. Les séances de cours sont des moments privilégiés pour présenter et expérimenter différentes techniques de conception. Les difficultés rencontrées et les approches de contournement seront discutées afin d’identifier les solutions les plus efficientes.

Deux (2) heures de laboratoire par semaine serviront à poursuivre l’expérimentation et l’application des techniques de conception. Les solutions identifiées en classe seront déployées. Les résultats obtenus seront analysés et discutés.

• Microsoft Excel;
  • matrix.xla;
• Google Colab en R:
  • FactoMineR et factoextra;
• Microsoft Machine Learning Studio;
• Microsoft Power BI;
• Microsoft Power Automate.

Une pénalité de 10 % par jour sera imposée à tous travaux en retard.

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

• Documentation disponible sur le site Moodle du cours.

Analyse exploration des données

• Husson F., Lê, S. et Pagès, J. (2016). Analyse de données avec R, 2e édition, Presses Universitaires de
  Rennes. ISBN :978-2-7535-4869-5
• Francois Husson, Sebastien Le (Author) & Jérôme Pagès, (2017), Exploratory Multivariate Analysis by Example Using R, Chapman and Hall, 262 pages, ISBN-10: 1138196347
• Alain Morineau, Yves-Marie Chatelin, Bernard Goldfarb & Catherine Pardoux, (2005), L'analyse statistique des données : apprendre, comprendre et réaliser avec Excel, Ellipse Édition, 407 pages, ISBN-10 : 2729823034
• Brigittes Escofier, Jérôme Pagès, (2016), Analyses factorielles simples et multiples, Dunod, 400 pages, ISBN-10: 2100041274
• Ludovic Lebart, Marie Piron et Alain Morineau (2006), Statistique exploratoire multidimensionnelle, Dunod, 480 pages, ISBN-10: 2100496166

Apprentissage automatique

• Andriy Burkov, (2019), The Hundred-Page Machine Learning Book, 160 pages, ISBN-10: 199957950X
• Tom Mitchell, (1997), Machine Learning, McGraw-Hill, 352 pages, ISBN-10: 0071154671
• Trevor Hastie Robert Tibshirani & Jerome Friedman, (2008), The elements of statistical learning: data mining, inference and prediction, Springer, 745 pages, ISBN-10: 0387848576
• Yaser S. Abu-Mostafa, Malik Magdon-Ismail & Hsuan-Tien Lin, (2012), Learning from data, AMLBook, ISBN-10: 1600490069
• Ian Goodfellow, Yoshua Bengio (Author) & Aaron Courville, (2016), Deep Learning, MIT Press, 800 pages, ISBN-10: 0262035618.

Langage R

• Asselin de Beauville, J.-P., Varin, S. (2014). Initiation au logiciel R : premiers pas en analyse de données. Academia-L'Harmattan. ISBN : 978-2-8061-0196-9
• R core team, (2015), An Introduction to R, Samurai Media Limited, 106 pages, ISBN-10: 9881443636
• John Taveras, (2016), R for Excel Users: An Introduction to R for Excel Analysts, CreateSpace Independent Publishing Platform, 212 pages, ISBN-10: 1500566357

Azure Machine Learning

• Sina Fakhraee, Balamurugan Balakreshnan, Megan Masanz, (2023).  Azure Machine Learning Engineering: Deploy, fine-tune, and optimize ML models using Microsoft Azure, Packt Publishing, 362 pages, ISBN-10 ?: ? 1803239301
• Deepak Mukunthu, Parashar Shah & Wee Hyong Tok, (2019), Practical Automated Machine Learning on Azure: Using Azure Machine Learning to Quickly Build AI Solutions, O'Reilly, 198 pages, ISBN-10: 149205559X
• Mathew Salvaris, Danielle Dean & Wee Hyong Tok, (2018), Deep Learning with Azure: Building and Deploying Artificial Intelligence Solutions on the Microsoft AI Platform, APress, 284 pages, ISBN-10: 9781484236789

D'autres références (en-ligne) sont citées sur le site Moodle du cours.

Site Moodle du cours: https://ena.etsmtl.ca/

Ne s'applique pas