Outils et méthodes fondamentaux d'analyse de données et de statistiques. Représentations visuelles des données. Mesures statistiques descriptives (Tableau et graphiques, mesures de tendance centrale, de position et de dispersion, méthode d’échantillonnage, corrélation et interaction entre les variables explicatives, multicolinéarité et hétéroscédasticité). Distributions de probabilités et modélisation des données (Définitions et principes de base, probabilités conditionnelles, indépendance, espérance mathématique, variance et intervalle de confiance, loi (ex. normale-binomiale, gaussienne, géométrique, hypergéométrique, poisson, gamma, etc.), hypothèses, postulats et distributions). Échantillonnage et estimation de paramètres (Théorème central limite, estimation d’une moyenne, estimation d’une proportion, tests d’hypothèse (T, Z, Anova, etc.), recours aux groupes test VS contrôle, signification statistique). Inférence statistique (Modèle probabiliste et modèle déterministe, interprétation des coefficients, analyse des résidus). Applications au domaine de l’intelligence artificielle et à la prise de décision d'affaires.

Types de variables (Catégorielle, continue, ordinale, discrète). Type de données (Structurées, non- structurées). Préparation des données. Méthodes de sélection de variables. Méthodes d’analyse (Descriptive, prédictive, prescriptive). Méthodes de validation de modèle (Validation croisée, par jeu de données (training, test, validation)). Principes d’heuristiques. Analyse de tendances. Analyse de régression. Analyse de classification et catégorisation. Techniques de prévision. Techniques d’exploration de données (Exploration des données disponibles, profilage et statistiques descriptives des données, plan analytique et développement de modèle, cercle vertueux du data mining – méthodologie CRISP-DM). Construction et analyse de modèles. Conception de l’algorithme. Simulation et analyse de scénario. Analyse des résultats et des risques. Modèles d'optimisation linéaires. Modèles d’optimisation dynamiques. Modèles longitudinaux et séries temporelles.

Introduction aux systèmes experts. Constituants des systèmes experts (Connaissances, moteurs d’inférences). Classification des systèmes experts (Ordre 0, ordre 0.5, ordre 1). Acquisition de connaissances (Domaines d’application, plateformes, langages de développement). Représentation des connaissances (Constituants, représentation des connaissances, caractéristiques, base de faits (Stratégies de contrôle), base de règles (Réseaux sémantiques, graphes conceptuels et logiques)). Systèmes à base de règles (Variables, conjonctions, disjonctions). Stratégies de contrôle. Moteurs d’inférences (Chaînage avant, chaînage arrière, chaînage mixte). Modules d’interface. Rôle des réseaux sociaux et de l'Internet des objets dans la science des données. Système d’information supportant la prise de décision commerciale (Analyse commerciale, science des données, intelligence artificielle, systèmes d'aide à la décision). Apprentissage automatique. Mégadonnées (Big Data). Systèmes experts (Dendralb Mycin, Prospector). Le raisonnement incertain (La théorie de Bayes, le moteur d’inférence, les facteurs de certitude, les ensembles flous). Études de cas.

Installation et configuration de l'environnement de travail R. Systèmes de gestion de version distribués (Système de contrôle de version Git). Langage open sources (Vecteurs, matrices, facteurs, listes, data frames, arrays, boucles implicites « apply »). Langage de programmation R (Importation des données, nettoyage et transformation des données, filtrage des données, triage des données, regroupement des données, agrégation des données, sélection des données, analyse d’un jeu de données, utilisation de librairies de fonctions, visualisation des données, exportation des données). Conception et rédaction de requêtes pour réaliser des analyses statistiques (Introduction à RMarkdown, iIntroduction à Shiny R). Conception des modèles de machine learning (Apprentissage supervisé, apprentissage non-supervisé, simulation et bootstrap, création de package).

Avantages d'une visualisation de données efficace. L'importance de la visualisation de données pour la prise de décision d’affaires. Bonnes pratiques de visualisation. « Data story telling ». Logiciel de visualisation des données (TABLEAU). Classeur (Workbook) (Sources de données, feuille de calcul). Importation des données. Transformation des données sources. Exploration visuelle des données et traitement des données. Connexion aux données et présentation des options de connecteurs. Fusion des données. Condition de jointure. Introduction aux différents types de visualisations (Bonnes pratiques quant aux choix des visualisations selon les objectifs poursuivis, bien choisir ses visualisations, règles d’or des graphiques et génération de conclusions, diagrammes, tables, graphiques et cartes, infographies, tableaux de bord). Traitement des données, filtres, triage et organisation des données. Création de calculs et graphiques animés. Partage des tableaux de bord. Applications à la prise de décision d'affaires.

Théorie des tableaux de bord. Sécurité dans un contexte de visualisation (Gestion des permissions, protection des données). Outils de visualisation des données interactives (Power BI). Installation et configuration de Power BI. Importation des données (Collecte de données, connecteurs, options de connexion). Transformations de données (Traitement de données, organisation des dimensions). Modélisation des données. Visualisation dans Power BI. Analyse des données (Création de colonnes calculées et de mesures). Consultation et partage des données. Utilisation du langage R à l’intérieur de Power BI. Langage DAX. Langage M (Comment choisir quand utiliser le langage DAX ou le langage M). Langage Power Automate. Création, configuration, Question en langage naturel et publication de rapports. Applications à la prise de décision d'affaires.

Introduction de l'environnement de programmation interprété (Python) (Installation et configuration de Python, concepts de Notebook, plateformes disponibles (Jupyter, Spider), Anaconda). L’interpréteur et son environnement. Syntaxe. Instructions de contrôle (If, else, for, break, continue, pass, etc.). Fonctions et boucles. Structure de données. Modules. Entrées et sorties. Erreurs et exceptions. Classes. Bibliothèques, Dictionnaires et tuples. Opérateurs et index. Types de objets et formatage des données. Listes. Importation de fichiers et de données externes. Librairies et Packages de base (Pandas, NumPy). Modules et organisation du code.

Notions avancées de programmation interprété (Python) (Générateurs, gestionnaire de contexte, accesseurs et descripteurs, compréhensions de liste et expressions régulières, itérateurs, etc.). Intelligence artificielle (Modélisations avancées, système de recommandation, traitement du langage naturel, librairies de mathématiques et d’apprentissage machine (Numpy, SciPy, Pytorch, etc.), apprentissage automatique, informatique cognitive). Mégadonnées (Big Data : Hadoop®, Spark™, NoSQL et IoT, traitement et données non-structurées). Exploration et visualisation de données avec Matplotlib. Applications à la prise de décision d'affaires. Intégration de l’intelligence artificielle dans le monde du travail.

Programmation côté client. Dynamiser un site WEB avec langage de programmation de scripts (JavaScript). Outils. Bibliothèques. Plateformes. Programmation de la logique applicative. Architecture de l’information. Gestion des interactions entre l’interface web et l’utilisateur. Techniques d’animation et de manipulation des éléments d’une page web. Conception des interfaces graphiques riches. Création d’une page web HTML. Feuilles de style CSS. Création des requêtes asynchrones. Préparation de l’environnement et de la base de données. Applications web transactionnelles (côtés client et serveur). Création des requêtes (Clauses, opérateurs, commandes, paramètres). Manipulation des données. Développement d’applications de supervision et de monitorage. Développement d’applications multiplateformes. Déploiement des applications. Contrôle de la qualité de l’application. Rédaction de la documentation. Programmation des instructions d’acquisition, de traitement et de transmission des données. Programmation des interactions entre l’interface et l’utilisateur. Big Data : IoT. Développement d’applications appliquées au domaine de l’intelligence artificielle.

Création d’applications distribuées et échelonnables (Hadoop). Environnement de travail. Outils et utilitaires. Préparation des données. Gestion des flux de travail et de données. Collecte de données. Apprentissage automatique. Clustering. Détection d'anomalies. Gestion de projets en TI (La rédaction de « User stories », Approches concurrentes de gestion de projet TI (Waterfall, RACE, Scrum, JIRA, Sprint, etc.), Introduction aux concepts de la méthode agile). Développement d’applications appliquées au domaine de l’intelligence artificielle.

Régression linéaire (Régression linéaire simple, régression linéaire multiples, construction d’un modèle de régression linéaire, publication du modèle). Régression logistique (Régression logistique, construction d’un modèle, publication du modèle). Analyse de données et machine learning (Analyse de données, cycle de vie de projet en science de données, objectif recherché du Machine Learning). Les algorithmes d’apprentissage (Supervisé, non supervisé, par renforcement, profond). Tâches d’apprentissage automatique (Segmentation et clustering, Régression (prévision de prix, prévision), arbre de régression et classification, analyse textuelle – text mining (analyse des sentiments, catégorisations et techniques d’exploitation textuelle). Introduction aux différents types de modèles (Préparation fondamentale des données, sélection de variables et de modèles, publication des modèles, mesures de performance des modèles, contrôle des données, cycle de vie, mise à jour et entretien). Modèles de base (Arbres, forets randomisées, analyses de survie, analyses longitudinales et temporelles).

Solution d'apprentissage automatique (Collecte des données, réglage des données, création de solutions, test, mise à jour et entretien de la performance des modèles, critères et mesures de performance (Aire sous la courbe, taux de bonne classification, VIF, etc.). Infrastructure d'apprentissage automatique open source et multiplateforme (ML.NET) (Composants de base, fonctionnalités). Analyse du trafic pour prédire les accidents. Réseaux neuronaux artificiels (Principes, utilité). Types de réseaux neuronaux (Réseaux à apprentissages supervisés (classification, prévision, régression), réseaux à apprentissages non supervisés, réseau neuronal feedforward, réseau de neurones récurrents, réseau neuronal convolutif, réseaux antagonistes génératifs). Couches (Entrée, sortie, masquées). Apprentissage de transfert. Reconnaissance d’entité nommée. Détection d’objets. Traduction automatique. Analyse de texte (Traitement du langage naturel, système de recommandations). Infrastructure open source (Azure Machine Learning) (Apprentissage machine automatisé, mode de fonctionnement (pipeline), tâche d’apprentissage supervisé (classification, prévision, régression), prévision de séries chronologiques (régression multivariable)). Préparation de données (Visualisation des données, transformation de données, modules couramment utilisés, fonctions statistiques). Préparation de modèle pour déploiement (Évaluation d’un modèle, création et configuration d’un service Web, consommation d’un service Web). Applications des modèles (Réseaux neuronaux, traitement du langage naturel, système de recommandation, autres).

Analyse des besoins du client (mandat). Documentation des besoins. Modélisation de l’application répondant aux besoins identifiés. Choix de la technologie. Conception de l’application. Implémentation de l’application. Test de l’application. Déploiement de l’application. Présentation de l’application (Rapport).

Mise en pratique et intégration des compétences personnelles et professionnelles nécessaires à l’exercice de la profession. Application des connaissances et stratégies apprises en classe dans un contexte d’entreprise. Intégration au milieu professionnel. Collaboration avec l'équipe de travail. Participation à des réunions. Prise en charge de projets. Familiarisation avec les outils de fonctionnement. Adaptation à une culture d’entreprise. Conduite professionnelle conforme à l’éthique de la profession.