Science des données (datascience)

1. Introduction à la science de données
   • Objectifs de l’exploration des données
   • Approches de l’apprentissage automatique : supervisé, non supervisé et semi supervisé.
   • Données prétraitées vs données brutes
   • Matériels : CPU vs GPU
   • Logiciels spécialisés : Jupyter notebook, Spyder, Python, Pycharm
   • Bibliothèques à source ouverte disponibles : Numpy, Pandas, SciPy, Matplotlib
   • Applications de la science de données
     • Vision par ordinateur : reconnaissance faciale, analyse d’images médicale, télédétection.
     • Traitement naturel du langage
     • Reconnaissance automatique de la parole
     • Robotique

2. Langage de programmation Python : partie 1
   • Variable et affichage
   • Structures des données et structures algorithmiques
   • Fonctions, classes.
3. Langage de programmation Python : partie 2
   • La bibliothèque Numpy
   • La bibliothèque Panda
   • La bibliothèque Matplotlib
4. Analyse des données de type image et texte
   • Analyse des données de type image : Sources, extraction, préparation, visualisation des images.
   • Bibliothèques pour la préparation et la manipulation des images.
   • Analyse des données de type texte : Sources, normalisation du texte, vectorisation des mots (word embedding).
   • Application en vision par ordinateur
   • Application en traitement automatique du langage naturel
5. Apprentissage machine : apprentissage supervisé
   • Étapes d’un algorithme d’apprentissage supervisé : préparation des données, ingénierie des caractéristiques, choix de l’algorithme, teste et validation
   • Algorithmes d’apprentissage supervisé : Classification Bayésienne, Réseaux de neurones artificiels, Machine à vecteurs de support (SVM), Arbre de décision.
   • Application des algorithmes d’apprentissage supervisé : Vision par ordinateur, Reconnaissance de formes, Reconnaissance vocale, Traitement automatique du langage.
6. Apprentissage machine : apprentissage non supervisé
   • Étapes d’un algorithme d’apprentissage non supervisé : préparation des données, choix de l’algorithme, métriques d’évaluation, teste et validation.
   • Algorithmes d’apprentissage non supervisé ; K-means, Réduction de la dimensionnalité, Analyse de la composante principale, Réseaux de neurones artificiels.
   • Application des algorithmes d’apprentissage non supervisé : Détection des anomalies, le regroupement, réduction de la dimensionalité.
7. Analyse des données massives (Big data)
   • Données massives : disponibilité des données, données structurées vs non structurées, capacité de stockage et d’analyse.
   • Propriétés des données massives : Volume, Vélocité et Variété.
   • Outils des données massives :
     • Systèmes d’orchestration (Kubernetes, Docker swarm)
     • Traitement distribué (Apache Spark)
     • Stockage distribué (Apache Hadoop)
     • Bases de données (SQL vs No SQL)

Application des données massives : Apprentissage machine, science et recherche, détection des fraudes, santé, IoT.

Ce cours est offert avec la participation financière du gouvernement du Québec et est réservé en priorité à la clientèle suivante :

1. Les personnes sans emploi qui résident sur l’île de Montréal et qui répondent aux autres conditions d’admissibilité;
2. Les travailleurs en emploi qui résident OU travaillent sur l’île de Montréal;
3. Les personnes en emploi de la RMR qui ne résident pas ET ne travaillent pas sur l’île de Montréal

Cependant, les personnes de toutes les régions du Québec sont admissibles.

À NOTER: Les clientèles suivantes SONT EXCLUES de l’offre de cours de perfectionnement à temps partiel :

• Les employés des villes et municipalités
• Les travailleurs des secteurs public et parapublic ainsi que des entreprises d’État
• Les étudiants, même s’ils travaillent à temps partiel
• Les personnes en réorientation de carrière ou simplement intéressées par un cours à des fins personnelles
• Les travailleurs autonomes participant au programme Jeunes volontaires
• Les prestataires de la CNESST ou de la SAAQ

• Annulation par le Collège : les frais d’inscription sont remboursés en totalité si le nombre d’inscriptions n’est pas suffisant.
• Annulation par un participant : envoyer un courriel à l’adresse perfectionnement@bdeb.qc.ca.
• Préavis de 10 jours ouvrables avant le début du cours : les frais sont remboursés en totalité.
• Préavis de moins de 10 jours ouvrables avant le début du cours : 30 $ de frais administratifs seront facturés à la participante ou au participant.
• Le jour même ou après le début du cours : aucun remboursement.