CERTIFICAT (CE)

2 Crédits

Ce cours enseigne aux débutants les bases nécessaires afin d’effectuer des tâches simples sur la ligne de commande de systèmes Linux. Décrire le fonctionnement d'un système d'exploitation Linux. Exécuter des commandes dans la console. Plongez dans l’histoire de Linux; Télécharger une distribution Linux;  Choisissez votre bureau Linux ; Installer Linux Ubuntu ; Se connecter à Internet et gérer des applications ; Naviguez sur Internet ; Utilisez la messagerie électronique ; Éditez des documents sous Linux ; Connectez des périphériques sous Linux ; Traitez vos médias, son, images et vidéos ; Configurez Linux pour développer ; Développement des applications Web. Connaître les bases du travail sur un Shell. Modifier des fichiers en utilisant les éditeurs usuels de Linux. Utiliser les commandes les plus courantes sur Linux et pouvoir les relier avec le pipeline. Connaître l'arborescence standard des répertoires Linux et utiliser les commandes de gestion des fichiers et répertoires. Gérer les processus et savoir où les trouver. Connaître les concepts de sécurité locale. Connaître et gérer les droits d'accès des fichiers et répertoires. Pouvoir effectuer la configuration du réseau.

2 Crédits

Introduction à la programmation en général. Notions de base des systèmes informatiques et systèmes d'exploitation d'utilisation courante. Utilisation d'un environnement de développement logiciel. Structures de base des langages de programmation, séquences, conditions, répétitions. Fonctions. Lecture et écriture dans des fichiers textes. Conception et modifications de programmes. Concept de programmation structurée. Debuggé les programmes informatiques.

0 Crédit

Éléments théoriques de base pour la communication écrite et orale appliquée à un contexte technique. Compréhension du mandat de communication. Travail en équipe et communication interculturelle : perception, styles, contexte, stress et choc culturels. Présentation d'outils de recherche et d'aide à la rédaction. Citations et références et prévention du plagiat. Conception, insertion et présentation de tableaux et figures. Éléments du style technique. Outils de rédaction, de communication et de collaboration en ligne. Correspondance professionnelle. Stratégies de recherche d'emploi: CV, lettre de motivation, entrevue et suivi. Applications en communication écrite : structure et mise en page du texte, procédure, courriel, texte explicatif. Applications en communication orale : présentation, non-verbal, support visuel, communication à distance.

1 Crédit

Connaissance de soi et reconnaissance de la différence; schémas et caractéristiques de la communication interpersonnelle; perceptions, valeurs, pression vers la conformité, interprétation et construction de sens. Conscience et affirmation de soi; émotions, types de comportement, communication affirmative. Écoute active; exigences, fonctions et techniques. Feedback et types de message. Gestion des conflits interpersonnels. Connaissance et pratique de la dynamique et de l'organisation du travail en équipe : normes, rôles, modes d'interaction, pouvoir et leadership, relations affectives et cohésion (pensée groupale), tâche et objectifs, organisation, structuration, résolution de problème et prise de décision. Animation, styles de leadership et gestion des conflits dans une équipe.

1 Crédit

Introduction aux concepts reliés aux technologies de l'information et à la cybersécurité. Architecture d'un ordinateur et interactions entre ses composantes : disques, mémoire, processeur. Systèmes d'exploitation communs : Windows, Linux, MacOS. Mise en réseau. Architecture et équipement réseautique de base : adressage IP, client, serveur, routage, réseaux commutés. Concepts liés à l'architecture applicative : application et base de données. Concepts liés aux langages de programmation : boucles, conditions.

 0 Crédit

Ce cours permettra aux étudiants d’avoir les outils nécessaires pour suivre efficacement une formation en ligne via les plateformes offertes par le LIAT. Il introduira aux étudiants les ressources qui leurs sont disponibles au LIAT, les méthodes académiques, la réglementation et exigence pour l’évaluation de leur performance. De plus, ce cours fournira un survol des stratégies pour la réussite des étudiants, telles que la gestion du temps, le stress, connaissance efficace, et l’appropriation de sa procédure d’apprentissage.

15 Crédits

Stage optionnel réalisé au sein d'une entreprise qui s'adresse exclusivement aux étudiants inscrits au certificat en Data Science. Les participants doivent remettre un rapport à la fin du stage. L'étudiant exerce des activités reliées aux matières étudiées et résout des problèmes industriels ou environnementaux de complexité croissante. Les 9 crédits de stage ne sont pas comptabilisés pour l'obtention du certificat.

6 Crédits

L’objectif de ce projet est double: d’une part, il permet de renforcer les notions vues en cours; d’autre part, il constitue un premier contact avec le travail en équipe. Les projets sont réalisés individuellement ou en binôme (groupes de 2 étudiants). Ce module vise à former à la résolution d’un problème scientifique et technique concret nécessitant l’élaboration d’une application informatique basée sur la technologie IA ou data science. Il vise également à apprendre à travailler en équipe et à savoir présenter son travail de manière claire et concise, sous la forme d’un rapport écrit et d’une soutenance orale à l’aide d’un diaporama.

2 Crédits

Introduction à l’IA Générative (GenAI) : qu’est-ce que GenAI ; comment elle est utilisée ? En quoi elle diffère de l’IA traditionnelle ? Introduction aux LLMs (Large Language Models) : fondements, cas d’usage, prompt engineering avec des LLMs. Introduction à l’IA responsable ; qu’elle est son importance ? Introduction à la génération automatique d’images, introduction aux modèles de diffusion tel que Stable Diffusion qui est une famille de modèles ayant montré son potentiel pour la génération des images ; Architecture Encodeur-Décodeur ; Mécanisme avec Attention : traduction machine, question-réponse, résumé automatique de texte ; Architecture de transformation ; Introduction aux logiciels d’IA Générative pour le prototypage et customisation des modèles de GenAI pour une utilisation de leur potentiels dans les applications.

2 Crédits

Comprendre les principales tendances technologiques à l'origine du Deep Learning, optimiser des modèles en utilisant des fonctions de perte et des statistiques de performances, créer des ensembles de données de formation, d'évaluation et de test reproductibles et évolutifs, connaître et comprendre plusieurs types de réseaux de neurones. Savoir les implémenter et analyser leur performance, construire, former et appliquer des réseaux de neurones profonds entièrement connectés. Savoir utiliser les transformer. Appréhendez les réseaux de neurones artificiels. Utilisez des réseaux neuronaux à l’aide de PyTorch et TensorFlow afin de faire de la reconnaissance d’objets et de visages, la segmentation et la classification. Maitrisez les fonctions d’activation des perceptrons. Appliquez les méthodes de Deep Learning à la reconnaissance vocale et les réseaux de neurones récurrents pour les séries temporelles.

2 Crédits

Introduction. Architecture cloud computing. Différents types de services offerts. Principaux modèles de déploiement. Virtualisation et gestion des ressources. Stockage et traitement des données dans l'infonuagique. Relation entre les mégadonnées (Big Data) et cloud computing. Applications potentielles de l'IA et cloud computing. Analytiques et techniques de gestion et de visualisation des données générées à partir des sources Internet et objets connectés. Études de cas des solutions. Services cloud computing. Politique et normes de sécurité des services cloud computing

2 Crédits

Maitrisez les techniques du Traitement Automatique du Langage Naturel (TALN) ou  Natural Language Processing (NLP), à la base de la compréhension du texte par l’ordinateur, et ChatBot (Robot Conversationnel). Maitrisez le preprocessing de texte, le topic modeling et le word embedding. Faites des analyses de sentiments sur des textes et construisez votre premier chatbot intelligent. Découvrez les nouvelles technologies des grands modèles de langages (LLM) utilisées dans ChatGPT, Gemini, Copilot, DeepSeek, IA Générative (GenAI), etc. Comprendre les algorithmes de base et les structures de données utilisées dans le NLP, savoir utiliser des corpus et des annotations qui leur sont ajoutes. Créer des composants statistiques de NLP, tels que des modèles de langage, des classificateurs de texte et des marqueurs de partie du discours, qui apprennent de tels corpus. Évaluer les mérites de différentes méthodes d’apprentissage automatique pour des taches NLP données. Apprécier la relation entre les représentations linguistiques et les applications informatiques. Savoir mettre en œuvre un ChatBot complexe.

2 Crédits

Introduction aux concepts avancés de l'utilisation de l'intelligence artificielle (IA). Éléments clés d'un projet d'IA : compréhension des besoins d'affaires et analyse coûts-bénéfices. Principales étapes de conception et de développement dans un contexte IA : collecte des données, flux de données et choix des algorithmes. Techniques de modélisation des données et les outils avancés. Principes de deep learning (apprentissage automatique profond) et vision par ordinateur (computer vision). Traitement en langage naturel. Automatisation des processus robotiques et leurs utilisations. Étapes et outils pour la création de modèles. Application des algorithmes IA à l'aide de bibliothèques. Risques et enjeux. Mesures de mitigation de sécurité, d'éthique et de vie privée. Appréhendez les réseaux de neurones artificiels. Utilisez des réseaux neuronaux convolutifs à l’aide de TensorFlow et PyTorch afin de faire de la reconnaissance d’objets et de visages. Maitrisez les fonctions d’activation des perceptrons. Appliquez les méthodes de deep learning à la reconnaissance vocale et les réseaux de neurones récurrents pour les séries temporelles.

2 Crédits

Faites des prévisions et des classifications à partir de données non labellisées à l'aide des étonnantes méthodes de clustering. Apprenez à mettre en œuvre des méthodes de réduction de dimensions pour limiter le nombre de paramètres. Éléments de base des algorithmes d'apprentissage statistique et symbolique. Exemples d'applications en forage de données, reconnaissance des formes, régression non linéaire, et données temporelles. Remarques: Des connaissances en statistiques sont recommandées. Détection d'anomalies, clustering, régression et classification automatisée. Analyse des réseaux de neurones et apprentissage profond. Analyse multi-variables et séries temporelles. Particularités des projets IA selon les domaines d’application.

2 Crédits

À l’aide de ScikitLearn, la bibliothèque la plus utilisée en machine Learning, plongez dans les algorithmes de Machine Learning. En partant des plus communs : régression logistique, K plus proches voisins, Trees and Forest, aux plus complexes : Gradient Forest, méthodes de Boosting, etc. Apprenez à reconnaître des situations de classification et de régression, à optimiser, réguler et paramétrer vos algorithmes afin d’éviter les biais communs et d'obtenir les meilleurs résultats.
Apprenez à préparer votre jeu de données et à gérer des données non équilibrées via le rééchantillonnage et la génération de données synthétiques. Éléments de base des algorithmes d'apprentissage statistique et symbolique. Exemples d'applications en forage de données, reconnaissance des formes, régression non linéaire, et données temporelles. Extraction et représentation des connaissances. Résolution de problème et raisonnement.

2 Crédits

Introduction à l'intelligence artificielle (IA). Extraction et représentation des connaissances. Résolution de problème et raisonnement. Modélisation: réseaux bayésiens, chaînes de Markov cachées. Apprentissage machine : apprentissage supervisé, non supervisé, par renforcement, domaines d'application et intégration aux solutions. Détection d'anomalies, clustering, régression et classification automatisée. Analyse des réseaux de neurones et apprentissage profond. Analyse multi-variables et séries temporelles. Particularités des projets IA selon les domaines d’application. Mise en contexte et applications des probabilités, statistiques, optimisation et outils informatiques pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l'apprentissage automatique sur données structurées. Résolution heuristique de problèmes. Représentation des connaissances. Techniques d'inférence et de planification. Étude d'un langage approprié. Traitement de langue naturelle. Apprentissage. Systèmes experts. Applications des probabilités, statistiques et optimisation pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l'apprentissage automatique sur données structurées; généralisation et surapprentissage.

2 Crédits

Mettez en place des pipelines de machine learning robustes et évolutives avec sklearn-pipeline. Suivez de manière organisée le réglage de vos hyperparamètres afin de construire le meilleur modèle à l’aide de MLFlow. Créez des instances de calcul et de stockage de données sur le Cloud. Passez du modèle à la production avec GitHub. Apprenez à utiliser les containers avec Docker et Kubernetes. Histoire, définition, les six "V" (volume, variété, vitesse, véracité. Valeur et visualisation) et sources de données (machines, hommes et organisations). Processus d'analyse des données. Architecture des mégadonnées. Systèmes de gestion distribuée des fichiers. Techniques d'analyse, de traitement, de stockage et de gestion de mégadonnées. Internet des objets. Nuage informatique (Cloud Computing).

2 Crédits

Ce module permet d'acquérir les outils nécessaires à l'optimisation et la mise en production du code. À la fin du cours, l'apprenant doit pouvoir mettre en place une démarche DevOps en entreprise, optimiser les performances d'un système informatique et assurer la disponibilité́ des infrastructures. Ce cours abordera la méthodologie DevOps, les outils DevOps et l’architecture système. L’objectif est de familiariser les étudiants avec l’approche DevOps et leur apprendre les outils nécessaires à l’automatisation des installations et du cycle de vie d’une application, la mise en place d’une chaine d’intégration continue et de containerisation. Se familiariser avec des plateformes comme AWS, Azure, et Google Cloud. Maitriser Docker et Kubernetes. Déployer une application dans le Cloud. Savoir mettre en œuvre la migration d’un système dans le cloud. Créer un cluster dans le Cloud et le configurer. Connaitre les problématiques de sécurité propre au cloud.

2 Crédits

Apprenez à mener une analyse exploratoire des données afin de mieux comprendre votre jeu de données et l'ensemble des paramètres associés. Utilisez la puissance des graphismes pour mieux comprendre votre analyse de données avec Matplotlib. Visualisez en un clin d'œil vos outlier et les données non conformes. Réalisez des dashboard de suivi avec Dash. Visualisation de données multimédias. Données multidimensionnelles. Couleur, perception et cognition dans la visualisation. Programmation avec une librairie (Matplotlib, Seaborn, etc.) et logiciel Tableaux. L’objectif de ce cours centre sur les techniques de visualisation de grands volumes de données, est de présenter des techniques de visualisation d’information et de les appliquer aux problèmes de représentation et d’interaction avec de grands volumes de données.

2 Crédits

Pour faire de l'intelligence artificielle, il faut des données. Apprenez à aller récupérer les données depuis de multiples sources : CSV, Bases de données, Open Dataset, Web Scraping. Une fois, les données récupérées, apprenez à les nettoyer et à les mettre au bon format afin de les rendre exploitables.