(3-0)
Préalables : FSCI6201 (ou l'équivalent) et MATH2613 (ou l'équivalent)
Comprendre l'éthique, la confidentialité, l'intégrité et la disponibilité des données. Connaître les outils, les techniques, les processus et les méthodes statistiques usuelles de la science des données. Collecter, analyser, explorer et modéliser les données. Visualiser et interpréter les résultats. Étude de cas de modèles d'apprentissage machine ou profond.

OBJECTIFS DE COURS :
Connaître l'histoire et l'évolution de la science des données. Comprendre le rôle et l'importance de la science des données dans différents secteurs économiques.
Connaître les fondements de l'éthique des données.
Saisir les différences entre confidentialité, intégrité et disponibilité des données.
Connaître les protocoles d'accès assurant la sécurité et la protection des données personnelles et d'entreprise.
Comprendre les bénéfices et les dangers de la surveillance des données versus leur sécurité.
Connaître les techniques pour recueillir, utiliser des données et les politiques de confidentialité associées.
Connaître les enjeux, défis et techniques liés à l'anonymisation des données.
Savoir les principales techniques et outils utilisés par les scientifiques des données.
Connaître les corrélations multiples et les mesures de dépendance entre données.
Connaître l'analyse en composantes principales et la classification hiérarchique.
Analyser quelques applications réelles de la science des données.

Note : Réservé aux étudiantes et étudiants inscrits au microprogramme de 2e cycle en science des données.

(3-0)
Préalables : FSCI6220
Connaître les principales techniques d'exploration de données, telles que la projection dimensionnelle et le regroupement de données structurées. Connaître les principales techniques d'apprentissage machine : régression, classification et regroupement. Connaître l'analyse exploratoire et l'analyse prédictive de données.

OBJECTIFS DE COURS :
Comprendre le rôle et l'importance des données dans différents secteurs d'activité.
Connaître les différents types de données : structurées, non structurées, temporelles.
Savoir expliquer et visualiser des données pour les rendre plus claires.
Analyser des données structurées à l'aide de la méthode d'analyse en composantes principales.
Comprendre les notions de régression, de classification et de regroupement (clustering) tout en évaluant leurs performances.
Concevoir des modèles d'apprentissage machine pour la prédiction de données.
Appliquer les notions acquises dans la résolution du problème des données manquantes ou erronées.

Note : Réservé aux étudiantes et étudiants inscrits au microprogramme de 2e cycle en science des données.

(3-0)
Préalables : FSCI6220
Analyse de données à l'aide de bibliothèques logicielles en langage Python : analyse numérique avec NumPy, gestion des données avec Pandas, apprentissage automatique avec Scikit-Learn, calculs scientifiques avec SciPy. Importation de jeux de données. Nettoyage et préparation des données. Élaboration et évaluation de modèles d'apprentissage automatique de données.

OBJECTIFS DE COURS :
Savoir importer des jeux de données.
Connaître les enjeux éthiques associés au partage de données.
Connaître les approches pour nettoyer et préparer des données en vue de leur analyse.
Apprendre à réduire la dimensionnalité des données.
Créer des pipelines de données.
Connaître les bibliothèques logicielles Python Pandas, Python NumPy, Python SciPy et Python Scikit-Learn.
Analyser des données en utilisant des bibliothèques logicielles.
Appliquer les outils vus dans le cours à des exemples réels.

Note : Réservé aux étudiantes et étudiants inscrits au microprogramme de 2e cycle en science de données.