4 au 8 mars 2019

ÉCOLE D'HIVER EN APPRENTISSAGE AUTOMATIQUE

L'apprentissage automatique est un champ d'études de l'intelligence artificielle qui fait interagir un ensemble d'outils informatiques et statistiques permettant à l'ordinateur «d’apprendre» à partir de données. Ce dernier pourra exécuter des tâches ou répondre à des questions de façon automatique sans nécessiter explicitement de programmation. 

La transformation numérique étant amorcée, tous les secteurs d’activité confondus doivent intégrer ces nouvelles technologies à leur processus d’affaires pour demeurer compétitifs. Les techniques se perfectionnent continuellement et le besoin de professionnels qualifiés et formés pour ce genre d'approche croît de façon exponentielle. Sous forme de semaine de formation intensive, l’École d’hiver permettra ainsi aux participants d’intervenir sur des projets dans leur domaine et leur transmettra le bagage nécessaire à la poursuite de cet apprentissage dans leur milieu de travail, de recherche ou d’études.

OBJECTIFS

À la fin de cette formation, le participant sera en mesure de: 

  • Identifier les problèmes rencontrés en entreprise pouvant être résolus par l'apprentissage automatique
  • Déterminer les avantages et les limites du paradigme d'apprentissage automatique
  • Fixer les requis pour la mise en place appropriée d'un pipeline d'apprentissage
  • Résoudre des problèmes au moyen des techniques d'apprentissage automatique
     

CLIENTÈLE CIBLE

  • Professionnels de l’informatique
  • Ingénieurs
  • Professeurs
  • Étudiants inscrits à temps plein aux cycles supérieurs en sciences ou en génie
     

PRÉALABLE

  • Programmer ou être capable d’interpréter un langage de programmation
  • Être initié aux langages de programmation Python ou R.
     

*Le visionnement d’un tutoriel est recommandé aux participants ignorant les bases du langage Python. Au besoin, consultez les chapitres 2 à 10 du livre de Gérard Swinnen

PROGRAMME

L'horaire inclut une heure de dîner et 2 pauses de 15 minutes par jour.

   
Lundi
 
 
Mardi
 
 
Mercredi
 
 
Jeudi
 
 
Vendredi
 

8h30 à 12h

Introduction à Python Introduction à l'apprentissage automatique Application des méthodes de régression linéaires Application des méthodes de préparation de données Réseaux de neurones convolutionnels

13h à 16h15

Visualisation de données Apprentissage supervisé (classification) Évaluation des modèles Introduction à l'apprentissage profond Réseaux de neurones récurrents

16h30 à 17h30

Groupe de discussion Groupe de discussion 16h à 17h30 Cocktail réseautage Groupe de discussion Groupe de discussion

Veuillez noter que l'Université Laval se réserve le droit d'effectuer tout changement jugé nécessaire quant au déroulement de la programmation.

TARIFS

  • Tarif régulier : 1 000$ 
  • Tarif étudiant (temps plein) : 400$

LIEU

Local 2708 du pavillon Adrien-Pouliot
1065 avenue de la Médecine
Québec, QC, G1V 0A6

INSCRIPTION

Pour vous inscrire, choisissez une des deux options ci-dessous:

Inscription tarif régulier

Inscription tarif étudiant

Nombre d'unités d'éducation continue (UEC): 3,8

L'évaluation est liée à la participation de sorte que, pour obtenir les UEC, le participant doit avoir été présent à un minimum de 80% de la formation.

MATÉRIEL REQUIS

Chaque participant doit avoir un portable ayant une capacité minimale de 8 Go de RAM.
Le matériel de cours sera accessible aux participants via le site de Calcul Québec

RENSEIGNEMENTS

Formationcontinue@fsg.ulaval.ca
418 656-2131, poste 402793 
1 855 656-3897 

FORMATEURS

François Laviolette, PhD, Directeur du CRDM

Professeur au Département d’informatique et de génie logiciel de l’Université Laval, François Laviolette est également titulaire de la Chaire de recherche industrielle CRSNG-Intact Corporation financière sur l’apprentissage machine en assurance et directeur du Centre de recherche en données massives de l’Université Laval. Spécialiste en machine learning et intelligence artificielle, il est un leader de la théorie PAC-bayésienne, une branche de la théorie de l’apprentissage qui permet de mieux comprendre les algorithmes d’apprentissage automatique et d’en concevoir de nouveaux. Il s’intéresse, entre autres, aux algorithmes d’apprentissage permettant de résoudre de nouveaux types de problèmes d’apprentissage, notamment ceux liés à la génomique, à la protéomique, à la découverte de médicaments, etc.

Patrick Dallaire, PhD

Patrick Dallaire est scientifique des données au Centre de recherche en données massives de l’Université Laval et responsable scientifique de la formation continue en entreprise. Son expérience en tant qu'enseignant universitaire et formateur scientifique lui ont permis de développer des méthodes de communication et d'enseignement efficaces. Spécialiste en apprentissage automatique et en statistique Bayésienne, il s'intéresse principalement aux aspects fondamentaux de l'apprentissage et à la conception de nouveaux algorithmes.

Julien Laumonier, PhD

Julien Laumonier est scientifique des données au Centre de recherche en données massives de l’Université Laval. Fort d’un doctorat en apprentissage par renforcement multiagent et de plus de 10 ans d’expérience comme consultant en technologie de l’information dans le milieu gouvernemental, Julien Laumonier s’est spécialisé en architecture et développement de logiciels. Depuis son retour dans le milieu de la recherche, il s'intéresse à l’éthique dans l’apprentissage automatique.

Camille Besse, PhD

Camille Besse est scientifique des données au Centre de recherche en données massives de l’Université Laval. Andragogue confirmé, son expérience en enseignement à la formation continue du Cégep de Sainte-Foy l’a amené à développer des approches pratiques en transfert des connaissances. Spécialiste des modèles décisionnels probabilistes, sa vision du machine learning reste pragmatique et ancrée dans la réalité de l’apprenant.

Nicolas Garneau, M.Sc.

Doctorant en informatique à l'Université Laval, Nicolas Garneau cumule plusieurs années d'expérience en développement logiciel et analyse de données. Il se spécialise dans le traitement automatique de la langue naturelle en utilisant des méthodes d'apprentissage par réseaux de neurones profonds. Il a eu un pied dans l'industrie tout au long de son parcours scolaire en appliquant ses connaissances théoriques à des problèmes concrets auxquels les entreprises sont confrontées. Il est notamment chargé du cours sur l'apprentissage par réseaux de neurones profonds à l'hiver 2019.

Félix-Antoine Fortin, M.Sc.

Analyste en calcul informatique de pointe à Calcul Québec, Félix-Antoine Fortin aide depuis 2010 les usagers de toutes les disciplines à utiliser les infrastructures de Calcul Québec. Son expérience avec les personnes non initiées dans ce domaine l’a mené à développer ses aptitudes pour la vulgarisation et son goût pour l'enseignement. Il est l'expert à Calcul Québec lorsqu'il est question d'analyse de données massives avec Spark.

Marie-Pier Côté, PhD

Professeure adjointe à l'École d’actuariat de la Faculté des sciences et de génie et titulaire de la Chaire de leadership en enseignement en analyse de données massives pour l’actuariat – Intact, Marie-Pier Côté détient un doctorat en statistiques de l’Université McGill en plus d’être fellow de la Society of Actuaries.