École d'hiver en apprentissage automatique

2 au 6 mars 2020

L'apprentissage automatique (machine learning) 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. Pour sa deuxième année, sous forme de semaine de formation intensive et très appliquée, 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.

Les participants pourront profiter de l’expertise de professeurs et de professionnels du Centre de recherche en données massives de l’Université Laval (CRDM), amené à devenir une plaque tournante à l’international dans le domaine des données massives. Les participants repartiront avec une connaissance pratique et appliquée de l’apprentissage automatique qui leur donnera la confiance nécessaire pour prendre des décisions stratégiques réfléchies et amorcer des changements dans leur organisation.

Applications possibles de l’apprentissage automatique dans vos activités professionnelles :

  • Gestion du risque
  • Gestion des commandes et des réclamations, optimisation des niveaux d’inventaire
  • Protection des données personnelles
  • Connaissance du client (comprendre ses comportements et ses préférences
  • Conduite autonome
  • Adapter les techniques de culture à la météo (secteur agriculture)
  • Maintenance prédictive
  • Reconnaissance vocale et de l’écriture manuscrite

Description de la formation

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

  • Informaticiens et autres professionnels des technologies de l'information
  • Ingénieurs
  • Actuaires
  • Scientifiques et chercheurs
  • Étudiants inscrits à temps plein aux cycles supérieurs dans une discipline liée

Préalables

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

 *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 pour en faire les exercices. Consulter ici.

Un tutoriel expliquant succinctement les convolutions en python permet également de mieux en apprécier la syntaxe et les usages.

Programme

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

   

Lundi

 

Mardi

 

Mercredi

 

Jeudi

 

Vendredi

8h30 à 11h45

Introduction à l'apprentissage automatique

François Laviolette

Application des méthodes de régression linéaires

Marie-Pier Côté

Apprentissage supervisé (classification)

Christian Gagné

Évaluation et sélection des modèles

Patrick Dallaire

Introduction à l'apprentissage profond

Philippe Giguère

13h à 14h

Discussion: applicabilité de l'IA Discussion* Discussion* Discussion* Visite de Calcul Québec

14h à 16h30

Pratique

Application des méthodes de visualisation et préparation de données

Camille Besse

Pratique de régression

Julien Laumonier

Pratique de classification

Julien Laumonier

Pratique de sélection de modèle et intégration de la semaine

Camille Besse
Julien Laumonier

Pratique d'apprentissage profond

Philippe Giguère

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

Introduction à l'apprentissage automatique

À la fin de ce module, le participant sera apte à:

  • comprendre le paradigme de programmation par apprentissage automatique;
  • connaître les principales formes d’apprentissage;
  • comprendre les notions de généralisation et de surapprentissage;
  • appliquer une méthodologie d’apprentissage automatique rigoureuse;
  • connaître les principaux algorithmes d’apprentissage supervisé;
  • connaître les enjeux éthiques et les limites des algorithmes d’apprentissage automatique.

Application des méthodes de régression linéaires

À la fin de ce module, le participant sera apte à:

  • connaître les fondements des modèles linéaires et de ses extensions;
  • appliquer les méthodes d’inférence pour un modèle linéaire;
  • faire la sélection des variables explicatives; utiliser un modèle linéaire pour effectuer des prévisions.

Apprentissage supervisé (classification)

À la fin de ce module, le participant sera apte à:

  • connaître les fondements des différents algorithmes de classification;
  • appliquer les bons algorithmes de classification selon le contexte d’application;
  • comprendre l’effet des hyperparamètres sur l’erreur de généralisation.

Évaluation et sélection des modèles

À la fin de ce module, le participant sera apte à:

  • comprendre la notion de métrique; connaître les principales métriques de classification et régression;
  • comparer des modèles sur la base de certaines métriques;
  • utiliser une métrique dans un cadre méthodologique de sélection de modèles;
  • connaître les métriques permettant de contrer le débalancement des classes.

Intoduction à l'apprentissage profond

À la fin de ce module, le participant sera apte à:

  • comprendre la notion de métrique;
  • connaître les principales métriques de classification et régression;
  • comparer des modèles sur la base de certaines métriques;
  • utiliser une métrique dans un cadre méthodologique de sélection de modèles;
  • connaître les métriques permettant de contrer le débalancement des classes.

Application de méthodes de visualisation et préparation des données

À la fin de ce module, le participant sera apte à:

  • créer des graphiques représentatifs des données;
  • calculer des statistiques descriptives;
  • réaliser des analyses exploratoires des données;
  • évaluer la pertinence des données pour une approche d’apprentissage;
  • appliquer des techniques de normalisation des données;
  • utiliser des techniques d’imputation et d’augmentation de données.

Tarifs

Tarif régulier : 1 500$ 
Rabais de 25% de scale ai : 1 125$ (détails et admissibilité plus bas)
Tarif étudiant (temps plein): 500$

Le tarif inclut 2 pauses café par journée de formation et un t-shirt.

Sont exclus les repas du midi. Un service de restauration sera accessible sur place ainsi que des micro-ondes pour ceux et celles qui souhaitent apporter leurs lunchs. Aucun réfrigérateur sur place.

5 participants et plus : 1 350$
10 participants et plus : 1 250$

Contactez-nous pour vous prévaloir des tarifs de groupe.

Formation accréditée par scale ai

Inscrivez-vous à cette formation accréditée par scale ai et bénéficiez d’un rabais de 25% sur le tarif régulier. Pour bénéficier de cette subvention à titre individuel, les participants doivent respecter les critères suivants :

  • Travailler dans une entreprise enregistrée au Québec;
  • Être en emploi au Québec.

ET ne pas travailler pour :

  • un ministère ou un organisme du gouvernement du Québec dont le personnel est nommé et rémunéré en vertu de la Loi sur la fonction publique du Québec;
  • un parti ou une association politique;
  • un ministère ou un organisme relevant du gouvernement fédéral;
  • une entreprise dont les activités sont interrompues en raison d’un conflit de travail (grève ou lock-out);
  • une entreprise qui n’a pas fini de rembourser une dette contractée antérieurement envers Emploi-Québec ou le ministère de l’Emploi, de la Solidarité sociale et de la Famille, sauf si celle-ci respecte une entente écrite de remboursement avec le Ministère ou Emploi-Québec.

À noter, le nom de votre entreprise, l’adresse et le numéro d’entreprise du Québec (NEQ) de votre entreprise vous seront demandés lors de votre inscription afin de bénéficier du rabais.

Si vous êtes admissible, utilisez le code promotionnel : scaleEH dans l’espace prévu à cet effet lors de la transaction.

Lieu

Local 2551, pavillon Adrien-Pouliot
1065 avenue de la Médecine
Québec, QC, G1V 0A6

Inscription

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

Nombre d'unités d'éducation continue (UEC): 3,5
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.

Saviez-vous que cette formation pourrait être admissible à une subvention pouvant aller jusqu’à 50%  d’Emploi-Québec? Informez-vous auprès de votre centre local d’emploi (CLE).

Trouvez votre centre local d’emploi (CLE)
Programmes de développement de la main-d’œuvre – sous apprentissage en milieu de travail

Matériels 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. 

Formateurs

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.

Christian Gagné est professeur au Département de génie électrique et de génie informatique de l'Université Laval et est directeur adjoint du Centre de recherche en données massives de l'Université Laval. Il est également membre du Laboratoire de vision et systèmes numériques, une composante du Centre de recherche en robotique, vision et intelligence machine et du regroupement stratégique REPARTI du FRQNT. Il a complété un doctorat en génie électrique pour ensuite effectuer un stage postdoctoral conjointement à l'INRIA Saclay, en France et l'Université de Lausanne, en Suisse. Ses intérêts de recherche portent sur l'élaboration de méthodes pour l'apprentissage machine et l'optimisation stochastique. Une part importante de ses travaux porte sur la mise en pratique de ces techniques dans des domaines comme la vision numérique, la microscopie, la santé, l'énergie et les transports.

Professeure à l’École d’actuariat de l’Université Laval, Fellow de la Society of Actuaries et titulaire de la Chaire de leadership en enseignement en analyse de données massives pour l’actuariat – Intact. Professeure Côté détient une maîtrise (2014) et un doctorat (2018) en statistique de l’Université McGill. Ses travaux de recherche portent, entre autres, sur la modélisation statistique de la dépendance entre les risques d’assurance et sur le développement de modèles d’apprentissage statistique pour la tarification et les réserves en assurance générale. Déjà coauteure de plusieurs articles, elle collabore de près avec des partenaires de l’industrie de l’assurance dans le cadre de sa recherche et est membre du Centre de recherche en données massives de l’Université Laval.

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 a 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 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 technologies 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 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 de l'apprentissage machine reste pragmatique et ancrée dans la réalité de l’apprenant.

Philippe est professeur agrégé au Département d’informatique et de génie logiciel de l’Université Laval depuis 2010, où il enseigne la robotique mobile et l'apprentissage par réseau de neurones profonds. L’objectif principal de ses recherches est d'augmenter le degré d’autonomie des systèmes cyber-physiques (robots intelligents), via l’application de méthodes d’apprentissage automatique, de Deep Learning et de fusion de données. Ses projets des dernières années ont touché à l’automatisation des opérations forestières, à la vision numérique, au traitement de nuage de point 3D, à la localisation, à la préhension et à la perception tactile.

Témoignages de participants formés

«Enrichissante et exaltante. Cette expérience m'a présenté un vaste choix de nouveaux outils d'analyse.» - Louis-Philippe Giguère

«Ça m'a définitivement donné une meilleure idée des avantages, des inconvénients et des possibilités offertes par l'apprentissage automatique.» - Charles Breton

«J'ai trouvé mon expérience complètement révolutionnaire. Cette courte semaine m'a définitivement aidé à mieux comprendre et maîtriser différents concepts liés à l'intelligence artificielle.» - Rémi Lamontagne-Caron

«Un accès privilégié à des chercheurs experts et passionnés qui ont su vulgariser le contenu pour nous le rendre plus accessible.» - Naïma Najeh

« [Une expérience] très productive : le matériel appris ne restera pas sans lendemain » - Marc Bazin