Version PDF

Programme(s) : 7095,7495

Profils(s) : Tous profils

Afficher les préalables et les unités d'agrément

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Tony Wong

PLAN DE COURS

Hiver 2022
GOL717 : Conception de systèmes prédictifs pour l’entreprise (3 crédits)

Modalités de la session d’hiver 2022

Pour assurer la tenue de la session d’hiver 2022, les modalités suivantes seront appliquées :

Les activités d’enseignement de la session d’hiver 2022 comprendront des activités en présence et à distance, lesquelles seront ajustées en fonction de l’évolution de la situation socio-sanitaire.

Pour les cours (ou séances de cours) donnés à distance, l’étudiant ou l'étudiante doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus. Il ou elle doit ouvrir sa caméra et/ou son micro lorsque requis, notamment pour des fins d’identification ou d’évaluation.

Les cours (ou séances de cours) donnés à distance pourraient être enregistrés afin de les rendre disponibles aux personnes inscrites au cours.

La notation des cours sera la notation régulière prévue aux règlements des études de l’ÉTS.

Les examens (intra, finaux) se feront en présence, si la situation socio-sanitaire le permet.

Le contexte actuel oblige bien sûr l’ÉTS à suivre de près l’évolution de la pandémie de COVID-19, laquelle pourrait entraîner, avant ou après le début de la session d’hiver 2022, un resserrement des directives et recommandations gouvernementales. Nous vous assurons que l’ÉTS se conformera aux règles en vigueur afin de préserver la santé publique et, si requis, qu'elle pourrait aller jusqu’à interdire l’accès physique au campus universitaire et ordonner que toutes les activités d’enseignement et d’évaluation soient exclusivement données à distance pour toute ou pour une partie de la session d’hiver 2022. Ainsi, si les examens (intra, finaux) devaient se faire à distance, leur surveillance se fera à l’aide de la caméra et du micro de l’ordinateur et pourrait être enregistrée. Ceci est nécessaire pour se conformer aux exigences du Bureau canadien d’agrément des programmes de génie (BCAPG) afin d’assurer la validité des évaluations.

Des exigences additionnelles pourraient être spécifiées par l’ÉTS ou votre département, suivant les particularités propres à votre programme.

En vous inscrivant ou en demeurant inscrit à la session d'hiver 2022, vous acceptez les modalités particulières de la session d’hiver 2022.

Nous vous rappelons que vous avez jusqu’au 18 janvier 2022 pour vous désinscrire de vos cours et être remboursé.

Pour les nouveaux étudiants inscrits au programme de baccalauréat uniquement, vous avez jusqu’au 1er février 2022 pour vous désinscrire de vos cours et être remboursé.

Préalables

Unités d'agrément
Total d'unités d'agrément : 58,8

Qualités de l'ingénieur

Q10

Q11

Q12

Qualité visée dans ce cours

Qualité visée dans un autre cours

Indicateur enseigné

Indicateur évalué

Indicateur enseigné et évalué

Descriptif du cours
À la fin de ce cours, l’étudiante ou l'étudiant sera en mesure de concevoir des systèmes prédictifs destinés aux entreprises de production de biens et services. L’environnement moderne de production exige des solutions qui anticipent l’évolution du marché tout en identifiant les paramètres qui contribuent à l’amélioration de la productivité. Les systèmes prédictifs permettent la prédiction des résultats futurs en évaluant des ensembles de données historiques et transactionnelles.

Conception par intégration et adaptation : méthode factorielle, méthode de transformation orthogonale, correspondances multiples, modèle régressif, apprentissage par arbre de décision. Technologies de classification automatique : naïve Bayes, K plus proches voisins, réseaux de neurones et machines à vecteurs de support.

Critères de conception : méthodes d’apprentissage supervisé et non supervisé. Sur-apprentissage et sous-apprentissage. Apprentissage paramétrique et non paramétrique. Apprentissage profond.

Séances de laboratoire axées sur la conception de systèmes prédictifs pour le secteur manufacturier et des services. Création d’outils de prédiction par la sélection et l’adaptation et l’extension des techniques vues en classe.

Objectifs du cours

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.

Stratégies pédagogiques

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.

Utilisation d’appareils électroniques

Pas d'enregistrement audio/vidéo sans autorisation de l'enseignant.

Horaire

Groupe	Jour	Heure	Activité
01	Mardi	18:00 - 21:30	Activité de cours
	Jeudi	18:00 - 20:00	Laboratoire

Coordonnées de l’enseignant

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Michel Rioux	Activité de cours	Michel.Rioux@etsmtl.ca	A-3631
01	Tony Wong	Activité de cours	Tony.Wong@etsmtl.ca	A-3633
01	Michel Rioux	Laboratoire	Michel.Rioux@etsmtl.ca	A-3631
01	Tony Wong	Laboratoire	Tony.Wong@etsmtl.ca	A-3633

Cours

Section

Sujets traités

Heures

Analyse de données - préliminaire

Introduction au cours (contexte, références, matière couverte)
Rappel: quelques éléments d'algèbre linéaire et de statistique
- Transformation linéaire;
- Valeurs propres et vecteur propres;
- Matrices semi-définie positive;
- Variance, covariance et corrélation;
- Matrice de covariance.
Éléments de base en analyse de données
- Données centrées et réduites;
- Nuages des individus;
- Nuage des variables.

Ces concepts et notions seront utilisés dans toutes les autres sections de ce cours.

Les applications numériques seront effectuées avec Excel à l'aide du complément d'algèbre linéaire matrix.xla.

11 janvier

M. Rioux

Analyse en composantes principales (ACP)

But et contexte d'application;
Étude des individus;
Étude des variables;
Liens entre les deux études;
Individus et variables supplémentaires;
Applications numériques.

Techniques d'interprétation des résultats

Projection des individus dans l'espace des variables;
Projection des variables dans l'espace des individus;
Qualité de représentation Cos²;
Contribution des individus - des variables;
Cercle de corrélation.

Les applications numériques seront effectuées avec Stagraphics et R.

18 janvier

M. Rioux

Analyse factorielle des correspondances (AFC)

But et contexte d'application;
Test de l'indépendance du khi carré;
Étude des profils-lignes;
Étude des profils-colonnes
Liens entre les deux études;
Effet Guttman;
Exemples numériques.

Techniques d'interprétation des résultats

Géométrie des coordonnées principales;
Distance par rapport à l'origine;
Inertie d'un point, d'une composante;
Contribution d'un point;
Qualité de représentation Cos².

Les applications numériques seront effectuées avec Stagraphics et R.

25 janvier

M.Rioux

Analyse (factorielle) des correspondances multiples (ACM)

But et contexte d'application;
Tableau disjonctif complet des données;
AFC sur le tableau disjonctif complet;
Exemples numériques.

Techniques d'interprétation des résultats

Géométrie des coordonnées principales;
Distance par rapport à l'origine;
Inertie d'un point, d'une composante;
Contribution d'un point;
Qualité de représentation Cos².

Les applications numériques seront effectuées avec Stagraphics et R.

01 février

M. Rioux

Classification hiérarchique et partitionnement

But et contexte d'application;
Notions de ressemblance;
Utilité du partitionnement et de la classification hiérarchique en analyse factorielle;
Exemples numériques.

Techniques d'interprétation des résultats

Détermination du nombre de classes.

Les applications numériques seront effectuées avec Stagraphics et R.

08 février

M. Rioux

Modèles classiques de régression

But et contexte d'application;
Régression multiple;
Régression logistique;
Analyse discriminante;
Exemples numériques.

Les applications numériques seront effectuées avec Stagraphics et R.

15 février

M. Rioux

INTRA

22 février

M. Rioux

Modèles prédictifs - préliminaire

Apprentissage et validation;
Données pour l'apprentissage et validation;
Caractéristiques et cibles;
Généralisation, précision et justesse;

Microsoft Azure ML

Compte Azure et son portail;
Création d'un espace de travail;
Azure ML Studio (classic);
Exemple d'utilisation
- Jeu de données;
- Modules;
- Paramètres des modules;
- Expériences;
- Modèles prédictifs;
- Apprentissage et évaluation.

La conception et l'application des modèles prédictifs se feront à l'aide d'Azure Machine Learning (classic) un environnement infonuagique de Microsoft.

08 mars

T. Wong

Modèles prédictifs et mesures de performance

Modèles

Arbres et forêt d'arbres décisionnels;
Naïve Bayes;
K-means;
Machines à vecteurs de support.
Réseaux de neurones;
Apprentissage profond.

Mesures

Justesse;
Perte logistique;
AUC ROC;
Matrice de confusion
MAE, MSE.

15 - 22 mars

T. Wong

Étapes de conception

Préparation du jeu de données;
Apprentissage du modèle prédictif:
- Hold out;
- Validation croisée.
Évaluation du modèle prédictif;
Test du modèle prédictif;
Déploiement du modèle prédictif sous forme d'un service WEB;
Test du service WEB.

Les étapes de conception seront présentés à l'aide d'Azure Machine Learning (classic) un environnement infonuagique de Microsoft.

29 mars - 05 avril

T. Wong

Conception de solutions

Prédire le désabonnement des clients;
Segmentation de la clientère;
Détection d'anomalie;
Intégration avec Power BI.

12 avril

T. Wong

Total

Laboratoires et travaux pratiques

Durant les séances de laboratoire, les étudians doivent oeuvrer, au sein d’une équipe, dans des scénarios de conception, realisation et implantation intégrant les technologies en analyse de données et en apprentissage automatique. Ils doivent appliquer et comparer la performance des modèles prédictifs conçus pour répondre aux besoins des organisations et entreprises.

Utilisation d'outils d'ingénierie

Microsoft Excel;
- matrix.xla;
Statgraphics;
R et RStudio;
- FactoMineR, Factoshiny, factoextra et FactoInvestigate;
Microsoft Machine Learning Studio;
Microsoft Power BI.

Évaluation

Activité	Description	%
Devoir #1	Sur l'ensemble des six premiers cours.	25
Intra	Sur l'ensemble des six premiers cours.	25
Labos	Sur l'ensemble des six derniers cours.	15
Quiz	Questions portant sur le contenu des laboratoires.	5
Final	L'examen final est d’une durée de trois heures avec documentation permise. L’examen final porte sur l’ensemble des six derniers cours.	30

Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux

Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

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

Absence à un examen
Dans les cinq (5) jours ouvrables suivants, la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur du département ou du SEG. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Dans tous les cas, l’étudiant doit effectuer sa demande en complétant le formulaire prévu à cet effet qui se trouve dans son portail Mon ÉTS/Formulaires. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat, Activité compétitive d’un étudiant appartenant à un club scientifique ou un club sportif d’élite de l’ÉTS ou au programme « Alliance sport étude » ou autre) à un examen entraînera l’attribution de la note zéro (0).

Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique ) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Documentation obligatoire

Documentation disponible sur le site Moodle du cours.
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.

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.

Ouvrages de références

Analyse exploration des données

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

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

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
Sumit Mund, (2015), Microsoft Azure Machine Learning, Packt Publishing, 212 pages, ISBN-10: 1784390798

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

Adresse internet du site de cours et autres liens utiles

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

Autres informations

Ne s'applique pas