Introduction à l’intelligence artificielle appliquée

CLIENTÈLE

• Débutant(e)s qui cherchent à développer des compétences en programmation, en analyse de données et en intelligence numérique
• Professionnels de domaines connexes qui désirent développer leurs compétences en analyse prédictive (administrateur de base de données, développeur web, analyste, spécialiste du marketing, scientifique, etc.)
• Personnes en réorientation de carrière intéressées à la programmation dans un contexte appliqué

DESCRIPTION

L’intelligence artificielle s’impose rapidement comme une technique de valorisation des données incontournable pour rendre plus compétitifs, voire carrément viables, les modèles d’affaires à l’ère numérique. Ce cours offre donc une introduction aux concepts centraux en intelligence artificielle (apprentissage automatique), avec un accent sur la résolution de problèmes concrets. Le cours se veut accessible à tous et débute donc par une introduction à la programmation (avec Python), avant d’offrir un survol de toutes les étapes critiques à un projet d’apprentissage automatique.

OBJECTIFS

À la fin de ce cours, le ou la participant(e) sera en mesure de:

• Comprendre et écrire du code Python dans un contexte de valorisation de données.
• Automatiser l’intégration et la manipulation de grandes quantités de données de diverses sources (HTML, fichiers locaux (CSV, Excel, PDF, txt…), bases de données SQL).
• Créer des visualisations graphiques de haute qualité avec matplotlib, seaborn et plotly.
• Effectuer une analyse de données exploratoire pour optimiser la puissance prédictive des algorithmes d’apprentissage.
• Comprendre ce qu’est un modèle statistique, comment fonctionne les algorithmes d’apprentissage et comment entraîner les modèles les plus utilisés en industrie, avec des vrais jeux de données. Modèles couverts: linéaire, logistique, arbre de décision, forêt aléatoire, k plus proches voisins, partitionnement en k-moyennes et analyse par composantes principales et autres (selon le temps).
• Distinguer les problèmes de classification et de régression (apprentissage supervisé) ou de partitionnement (non-supervisé).
• Technique d’évaluation et de validation d’algorithmes d’apprentissage.
• Articuler l’intuition autour des concepts centraux en apprentissage automatique: fonction objectif et descente du gradient, sous-apprentissage et sur-apprentissage, le compromis biais-variance, la malédiction de la dimension, …