Apprentissage machine (Machine learning)

Durée

45 h

Objectifs

Ce cours s’adresse aux passionnés de technologies de pointe. Le cours a pour but de donner aux étudiants la capacité de programmer des algorithmes d’apprentissage machine (machine learning). Ce cours permet de voir certaines techniques des trois grandes familles d’apprentissage machine, soit l’apprentissage supervisée, l’apprentissage non supervisée, et l’apprentissage par renforcement. À la fin de ce cours, l’étudiant aura la capacité de préparer les données à l’intelligence artificielle (chargement nettoyage et normalisation), et de programmer des solutions à base d’IA aux problèmes suivants : classification de données, prédictions sur les données, optimisation de données, regroupement de données similaires, analyse de l’importance des variables, apprentissage de données par simulations, réduction de dimensionnalité de données, traitement naturel du langage, et autres. Le tout, dans un contexte applicable spécialement dans une entreprise et par un non-spécialiste de l’IA.

Contenu

Cours 1: Survol du cours et discussions

  • Qu’est-ce que l’apprentissage machine (machine learning ou ML)
  • Courte histoire du ML
  • Quels problèmes résoudre avec le ML?
  • Types d’apprentissage profond
    • Apprentissage supervisé
    • Apprentissage non supervisé
    • Apprentissage par renforcement
  • Survol du cours.
  • Questions et discussions

Cours 2: Mathématiques du ML

  • Algèbre linéaire.
  • Calcul différentiel et intégral.
  • Statistiques.
  • Ces mathématiques en Python

Cours 2: Les fonctions d’activation

  • Présentation des principales fonctions d’activation.
  • Critères de sélection

Cours 4: La descente de gradient

  • Utilité de la descente de gradient.
  • Paramètres

Cours 5: Régression linéaire simple en Tensor Flow

  • Concept de Tensor Flow
  • Régression linéaire
  • Régression linéaire avec Tensor Flow

Cours 6: Régression linéaire multiple en Tensor Flow

  • Concept de Tensor Board
  • Régression linéaire multiple avec Tensor Flow

Cours 7: Markov Decision Process (MDP) et Q Learning

  • Chaine de Markov
  • Processus de décision de Markov
  • Q Learning.

Cours 8: La logique floue (fuzzy logic)

  • La logique floue
  • Le FCL – Fuzzy Control Langage

Cours 9: Les algorithmes génétiques

  • Concept et applications
  • Programmation d’algorithmes génétiques

Cours 10: Concepts ML

  • Systèmes stochastiques et déterministes
  • Les pièges du ML

Cours 11: Bioinformatique  

  • Concept
  • Programmation

Cours 12 à 15: Projet

  • Programmation d’un projet personnel.

Stratégie pédagogique

Présentations magistrales des sujets par l’enseignant. Exercices pratiques.

Clientèle visée

Toutes personnes ayant suivi le cours d’initiation au langage Python.

Préalable(s)

  • Avoir suivi le cours d’initiation au langage Python.

Lieu de formation

En ligne
Le démarrage des cours est conditionnel à un nombre suffisant d’inscriptions. Les dates peuvent varier. Vous serez avisé des changements s’il y a lieu. Certaines conditions s’appliquent pour les formations de courte durée financées par Emploi-Québec.