Ce cours vise à concevoir et appliquer des solutions utilisant les technologies d’analyse de données et d’apprentissage automatique. L’étudiant ou l'étudiante apprend et applique les étapes de conception dans la réalisation de systèmes prédictifs orientés vers les besoins d’une organisation ou d’une entreprise.

Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure :

• d’appliquer différentes analyses exploratoires multidimensionnelles sur des données numériques et nominales;
• de manipuler les éléments d’un système prédictif et schématiser 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 savoir construire et déployer des systèmes prédictifs à l’aide d’une plateforme infonuagique.

Analyse exploratoire des données, apprentissage automatique, système prédictif, plateforme infonuagique, architecture de déploiement

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.

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.

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%

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.

• 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.

ou

• 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.

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.

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

Logiciels utilisés :

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