École en ligne en apprentissage automatique

1er au 19 juin

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. Forte de sa troisième édition, la formation permettra 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.

Nouvelle formule 100% en ligne

Cette édition de l’École en apprentissage automatique permet aux participants de compléter la formation entièrement à distance à un rythme adapté à leur horaire. En plus de profiter de l’enseignement provenant des professeurs de la Faculté des sciences et de génie les participants pourront bénéficier d’un accompagnement lors des exercices pratiques assure par une équipe d’experts.

Cette formule en ligne offre aux participants un accès en tout temps à un forum contextuel où ils pourront échanger avec leurs pairs et obtenir une rétroaction des formateurs via une plateforme d’apprentissage distinctive unique développée au sein même de la Faculté. Ils pourront également s’entretenir directement avec nos experts lors des 5 séances de question en direct prévues à différents moments au cours de la formation. Les apprenants quitteront 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.

Envie d’aller plus loin dans votre apprentissage de Python? Inscrivez-vous à l’une de nos 4 formations en ligne en programmation Python.

Précisions sur la formation

  • Formule entièrement à distance – 35 heures réparties sur une période de 3 semaines
  • Infrastructure et matériel (théorie et exercices) entièrement accessibles dès la première journée pour respecter le rythme de chacun via la Plateforme d’Apprentissage eXpérientielle PAX
  • 15 heures estimées pour les exercices pratiques interactifs dans un environnement Jupyter  
  • 6 heures de séances en direct avec les professeurs associés à chaque module
  • Séances en direct entièrement enregistrées et disponibles en tout temps
  • Assistance via un forum contextuel lors des exercices pratiques par une équipe d'étudiants chercheurs aux cycles supérieurs
  • 5 capsules synthèses
  • Chaque participant doit avoir un portable ayant une capacité minimale de 8 Go de RAM
  • Prérequis :  Utiliser un navigateur Web à jour entre Chrome, Firefox, Edge ou Safari

Programme

Lundi 1er juin

Mardi 2 juin

Mercredi 3 juin

Jeudi 4 juin

Vendredi 5 juin

Webinaire d'introduction -
13h à 14h

 

Séance en direct - 13h à 14h
Posez vos questions

François Laviolette

 

Séance en direct - 13h à 14h
Posez vos questions

Marie-Pier Côté

Lundi 8 juin 

Mardi 9 juin

Mercredi 10 juin

Jeudi 11 juin

Vendredi 12 juin

   

Séance en direct - 13h à 14h
Posez vos questions

Christian Gagné

 

Séance en direct - 13h à 14h
Posez vos questions

Patrick Dallaire

Lundi 15 juin

Mardi 16 juin

Mercredi 17 juin

Jeudi 18 juin

Vendredi 19 juin

   

Séance en direct - 13h à 14h
Posez vos questions

Philippe Giguère

 

Séance en direct - heure à venir
Conclusion de la formation

 

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 le fonctionnement d'un réseau de neurones;
  • connaître les principales fonctions de perte pour les réseaux de neurones;
  • comprendre la structure d'un réseau de neurones;
  • connaître les différentes techniques d'optimisation par descente du gradient;
  • entraîner un réseau de neurones avec un cadre méthodologique.

Tarifs

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

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 : ScaleEVEL dans l’espace prévu à cet effet lors de la transaction.

Inscription

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

Conditions applicables à l’émission d’attestation 

La formation continue et le Centre de formation en développement durable de la Faculté des sciences et de génie de l’Université Laval émettent des unités d’éducation continue (UEC) pour chaque activité de formation composant son offre. Chaque activité de formation, qu’elle soit en classe ou à distance, est un ensemble de périodes d’enseignement et d’études, de durée et de forme variable, permettant l’atteinte d’objectifs précis de formation professionnelle.

L'unité d'éducation continue (UEC) est une reconnaissance standardisée des activités de formation continue.  Une unité d’éducation continue représente dix heures de participation à une activité de perfectionnement incluant la présence en classe, en atelier ou en laboratoire ainsi que la réalisation de travaux personnels, s’il y a lieu.

Dans le cadre de l’École en ligne en apprentissage automatique , le nombre d’unités d’éducation continue (UEC) est de 3,5

Pour obtenir une attestation de participation confirmant l’acquisition de ces unités d’éducation continue UEC, l’apprenant doit avoir participé activement aux exercices et activités proposés. Veuillez noter qu’aucune note n’est mentionnée sur les attestations émises pour cette formation.

Faites financer votre 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

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 professeur associé au département d'informatique et génie logiciel de l'université Laval. Il fonde en 2019 l'entreprise de développement de solution d'intelligence artificielle SmartyfAI et a par le passé occupé la fonction de scientifique des données en IA au Centre de recherche en données massives de l'Université Laval ainsi que de chercheur en vision numérique à l'Institut National d'Optique. M. Dallaire a développé et dirigé plusieurs formations, dont une en apprentissage machine d'une semaine et a été mandaté en tant qu'expert pour le développement du nouveau programme d'AEC en intelligence artificielle du Cégep de Sainte-Foy.

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.

Accompagnateurs - exercices pratiques

Frédérik Paradis, doctorant en informatique

Nicolas Garneau, doctorant en informatique

Ihsan Chaoubi, doctorante en actuariat

Justine Power, étudiante à la maîtrise en actuariat