Version PDF

Afficher les cours préalables

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Michel Rioux, Tony Wong

PLAN DE COURS

Été 2022
SYS863 : Sujets spéciaux I : génie de la production automatisée (3 crédits)
Conception de systèmes prédictifs pour l'entreprise

Modalités de la session d’été 2022

Vous trouverez ci-dessous les modalités de la session d’été 2022. Vous devez les lire attentivement.

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

Les activités d’enseignement de la session d’été 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 doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus. L’étudiant 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 étudiants inscrits 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, tant que 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’été 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 que, si requis, 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 tout ou partie de la session d’été 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’été 2022, vous acceptez les modalités particulières de la session d’été 2022.

Nous vous rappelons que vous avez jusqu’au 17 mai 2022 pour vous désinscrire de vos cours et être remboursé.

Pour les nouveaux étudiants inscrits au programme de baccalauréat uniquement, vous avez jusqu’au 31 mai 2022 pour vous désinscrire de vos cours et être remboursé.

Préalables
Aucun préalable requis

Descriptif du cours

Sujets d'intérêt majeur dans le domaine du génie de la production automatisée et familiarisation avec les derniers développements technologiques dans un ou plusieurs domaines de pointe.

Objectifs du cours

Ce cours est dédié 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 des 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

Ce cours en formule intensive exige une bonne autonomie des étudiants; les lectures préliminaires sont fortement recommandées. Les séances de cours sont des moments privilégiés pour présenter et expérimenter différentes techniques d'analyse et de conception de solutions. Les difficultés rencontrées et les approches de contournement seront discutées afin d’identifier les solutions les plus efficientes.

Utilisation d’appareils électroniques

Pas d'enregistrement audio/vidéo sans autorisation des enseignants.

Horaire

Groupe	Jour	Heure	Activité
01	Mardi	08:30 - 17:00	Activité de cours

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

Cours

1^ère partie : Analyse de données multidimensionnelles (Michel Rioux)	Date
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; 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 et à l'aide du complément d'algèbre linéaire matrix.xla. 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/FactomineR.	10 mai 2022
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. 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/FactomineR.	17 mai 2022
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. 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/FactomineR.	24 mai 2022

2^e partie : Conception et déploiement des systèmes prédictifs (Tony Wong)	Date
Traitement des données Nettoyage; Mise en échelle; Détection des valeurs aberrantes; Jeu de données déséquilibré. Ingénierie et sélection des caractéristiques Regroupement des données (binning) Entropie et MDL (Minimum Description Length); Quantiles; Largeur égale; Largeur personnalisée; ACP. Sélection des caractéristiques Approche « filter » : corrélation, théorie de l’information, tests statistiques; Approche « wrapper » : importance des caractéristiques basée la permutation (permutation feature importance). Les applications pratiques seront effectuées avec Azure ML studio Desginer.	31 mai 2022
Intégration avec R Survol de R; Déploiement de R; Exemples d’application. Modèles prédictifs Boosted Decision Trees; SVM (Support Vector Machines); Bayes Point Machines; Neural Networks; K-means; Self-organizing Maps Interprétation des résultats par LIME et SHAP Les applications pratiques seront effectuées avec Azure ML studio Designer et R.	7 juin 2022
Systèmes prédictifs en tant que services WEB Conversion des modèles prédictifs en services WEB; Utilisation des modèles prédictifs à distance : Query editor de Power BI; VBA d'Excel; R Déploiement en entreprise Intégration dans Power Automate Création d’un « flow »; Personnalisé le « flow »; Automatisation par des éléments UI (User Interface); Réaliser des requêtes. Intégration dans Power Apps Création d’une application mobile/web; Connexion aux services WEB des modèles prédictifs; Réaliser des requêtes. Les applications pratiques seront effectuées avec Azure ML studio Designer, Excel, R, Power Automate et Power Apps.	14 juin 2022

Laboratoires et travaux pratiques

(Pas de séances de TP).

Évaluation

Pour chacune des deux parties du cours, l'évaluation se fera par l'entremise d'un devoir de 20% et d'un rapport de projet de 30%.

Analyse de données

Devoir #1 / analyse de données 20%
Rapport de projet / analyse de données 30%

Modèles prédictifs

Devoir #2 / modèles prédictifs 20%
Rapport de projet / modèles prédictifs 30%

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

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.

Absence à un examen
Dans les cinq (5) jours ouvrables suivant 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 de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (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

Les notes de cours et autres ressources pédagogiques sont disponibles sur le site Moodle du cours.

Autres informations

Logiciels utilisés :

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