PLAN DE COURS
Hiver 2026
GOL717 : Conception de systèmes prédictifs pour l’entreprise (3 crédits)
Préalables
Pour tous profils : MAT350
Description 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.
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.
Informations concernant l’agrément du BCAPG
| Catégories de UA | Proportion | Matière(s) traitée(s) |
| Science du génie | 67 % | N/A |
| Conception Ingénierie | 33 % | |
Les objectifs de ce cours sont liés aux indicateurs de qualités requises des diplômés de la manière suivante : | Objectif spécifique | Qualité | Indicateur | Niveau d'enseignement |
| expliquer les principes des systèmes prédictifs et de l’apprentissage automatique; | Q1 . Connaissances en génie | i4 . Appliquer les concepts spécialisés de l’ingénierie | Appliqué |
| analyser des ensembles de données afin d’identifier des variables prédictives pertinentes; | Q2 . Analyse de problèmes | i2 . Choisir un modèle ou une méthode pour solutionner | Appliqué |
| analyser des ensembles de données afin d’identifier des variables prédictives pertinentes; | Q2 . Analyse de problèmes | i3 . Appliquer modèle ou méthode | Appliqué |
| sélectionner et adapter des modèles d’apprentissage supervisé et non supervisé; | Q2 . Analyse de problèmes | i4 . Interpréter les résultats | Appliqué |
| évaluer la performance et la robustesse des systèmes prédictifs; | Q3 . Investigation | i2 . Appliquer les méthodologies | Appliqué |
| évaluer la performance et la robustesse des systèmes prédictifs; | Q3 . Investigation | i3 . Interpréter les résultats | Appliqué |
| concevoir un système prédictif adapté à une problématique d’entreprise; | Q4 . Conception | i3 . Analyser les risques | Appliqué |
| concevoir un système prédictif adapté à une problématique d’entreprise; | Q4 . Conception | i4 . Intégrer les concepts | Appliqué |
| implémenter des algorithmes de prédiction et de classification; | Q5 . Outils d'ingénierie | i1 . Évaluer outils et techniques | Appliqué |
| implémenter des algorithmes de prédiction et de classification; | Q5 . Outils d'ingénierie | i2 . Appliquer | Appliqué |
| implémenter des algorithmes de prédiction et de classification; | Q5 . Outils d'ingénierie | i3 . Combiner, adapter, créer | Appliqué |
| travailler efficacement en équipe sur des projets de conception prédictive; | Q7 . Communication | i1 . Rédiger des rapports | Appliqué |
| travailler efficacement en équipe sur des projets de conception prédictive; | Q7 . Communication | i2 . Présenter | Appliqué |
| travailler efficacement en équipe sur des projets de conception prédictive. | Q7 . Communication | i3 . Utiliser des outils modernes de communication | Appliqué |
Utilisation d’appareils électroniques
Apporter votre ordinateur portable en classe et lors des séances de laboratoire.
Pas de prise de photos ni d'enregistrement audio ou vidéo sans l'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 du personnel enseignant le cours
Cours
| Section |
Sujets traités |
Heures |
|
1
|
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.
|
3
06 janvier
|
|
2
|
Analyse en composantes principales (ACP)
- But et contexte d'application;
- Démarche intuitive;
- Détails techniques;
- Jargons:
- Factors, factor loading, components loadings, factor scores, etc.
- Étapes de calculs;
- Exemples numériques.
Techniques d'interprétation des résultats
- Projection des individus dans l'espace des variables;
- Statistique T2 de Hotelling;
- Qualité de représentation Cos2;
- Contribution des individus - des variables;
- Cercle de corrélation.
Les applications numériques sur Excel et sur Google Colab en R.
|
6
13 javier
et
20 janvier
|
|
3
|
Analyse factorielle des correspondances (AFC/AFCM)
- But et contexte d'application;
- Démarche intuitive;
- Détails techniques
- Décomposition orthogonale par SVD;
- Coordonnées des facteurs:
- Étapes de calcul;
- 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 réalisées sur Google Colab en R.
|
6
27 janvier
et
03 février
|
| 4 |
INTRA |
3
10 février
|
|
5
|
Conception de modèles prédictifs - survol du processus
- 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;
- 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 Studio un environnement infonuagique de Microsoft.
|
3
17 février
|
|
6
|
Conception de 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.
|
3
24 février
|
|
7
|
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 un environnement infonuagique de Microsoft.
|
6
10 mars
et
17 mars
|
|
8
|
Intégration avec Power Platform
- Survol de Power Plaform
- Utilisation des modèles prédictifs déployés dans:
- Power BI;
- Power Automate.
Les étapes d'intégration seront présentées à l'aide de Power BI et de Power Automate de Microsoft.
|
9
24 mars
et
14 avril
|
| |
Total |
39 |
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. Ils sont aussi intégrer les modèles prédictifs déployés dans des outils d'automatisation des processus d'affaire.
Utilisation d'outils d'ingénierie
- Microsoft Excel;
- Google Colab en R:
- FactoMineR et factoextra;
- Microsoft Machine Learning Studio;
- Microsoft Power BI;
- Microsoft Power Automate.
Évaluation
Informations additionnelles :
| Activité |
Description |
% |
|
Devoir #1
|
Sur l'ensemble des cinq premiers cours (analyse des données).
|
25
|
|
Intra
|
Sur l'ensemble des cinq premiers cours (analyse des données).
|
25
|
|
Labos
|
Sur l'ensemble des sept derniers cours (modèles prédictifs).
|
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 sept derniers cours. |
30
|
Dates des examens intra
| Groupe | Date | Heure |
| 1 | 10 février 2026 | 18:00 |
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 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou 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 une évaluation
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).
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 étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-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 tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).
Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.
Documentation obligatoire
- Documentation disponible sur le site Moodle du cours.
Ouvrages de références
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.
Autres informations
Ne s'applique pas