Le Certificat ou mineure en science des données et intelligence d'affaires offre une formation universitaire de base permettant de former des informaticiens aptes à effectuer le développement de logiciels et la gestion des données d'une organisation à plusieurs niveaux: stockage, répartition, sécurité, manipulation, développement de systèmes d'information, visualisation et tableaux de bord, traitement statistique avancé, forage, intelligence artificielle et apprentissage machine, etc. D'autre part, le programme vise aussi l'acquisition de connaissances de base en science de la gestion et de la prise de décision stratégique en entreprise permettant de faire le pont entre les analystes d'affaires qui traitent les processus organisationnels et les décideurs.
Le programme vise à procurer une formation de base dans le secteur de la science des données et de l'intelligence d'affaires. L'étudiant aura été initié au développement d'outils informatiques pour l'intelligence d'affaires appliquée au domaine des organisations et de l'industrie 4.0. Il a pour but d'améliorer la capacité des étudiants à résoudre des problèmes et à intervenir dans des situations complexes. Il vise à développer la capacité à évoluer dans un environnement collaboratif et à communiquer avec les professionnels à tous les niveaux de l'entreprise : gestionnaire, analyste d'affaire, responsable marketing, etc. Il vise également à faire acquérir les connaissances de base sur les technologies de pointe. Le programme peut être une porte d'entrée pour le baccalauréat.
Plus spécifiquement, le certificat vise à:
Pour les fins d'émission d'un grade de baccalauréat par cumul de certificats, le secteur de rattachement de ce programme est «SCIENCES APPLIQUÉES».
Être titulaire d'un diplôme d'études collégiales (DEC) ou l'équivalent;
Avoir réussi un minimum de quinze (15) crédits de niveau universitaire avec une moyenne cumulative d'au moins 2,3/4,3;
Posséder les connaissances et les compétences jugées suffisantes pour la poursuite d'études dans le programme. Le candidat peut être invité à se présenter à une entrevue et à passer un test d'admission. Le candidat peut se voir imposer une formation préparatoire.
Les modalités et les règles qui régissent l'attestation de la maîtrise du français telles que résumées ci-dessous, sont définies dans la Politique et la Procédure relative à la valorisation du français.
Règlement relatif aux exigences liées à l'admission pour les candidates et candidats dont la langue maternelle n'est pas le français
Toute candidate ou tout candidat à un programme identifié dont la langue maternelle n'est pas le français est tenu de se soumettre à un test de compétence en français reconnu par l'UQAC avant le début de son processus d'admission dans un programme de l'UQAC. Dès le dépôt de la demande d'admission, la preuve de réussite à ce test doit être jointe au dossier de candidature à titre de pièce constitutive. Il est à noter que les candidates et les candidats en protocole d'échange provenant d'une université partenaire et dont la langue d'enseignement est le français de même que les candidates et les candidats des Premières Nations sont exemptés de cette obligation.
Pour être considéré comme valide, le test de compétence en français doit avoir été passé dans les vingt-quatre (24) mois précédant la date du début du trimestre pour lequel la candidate ou le candidat fait une demande d'admission. La candidate ou le candidat doit obligatoirement transmettre la preuve de réussite de son test de compétence en français au Bureau du registraire lors du dépôt de sa demande d'admission comme pièce constitutive de son dossier d'admission.
Également, certaines candidates et certains candidats dont la langue maternelle n'est pas le français peuvent être exemptés de cette obligation lorsqu'ils répondent à l'une ou l'autre des exemptions prévues à la procédure ci-haut.
L'admission des étudiants se fait aux trimestres d'automne, d'hiver et d'été.
Le programme d'études est offert à temps partiel et à temps complet.
En vertu de l'article 86 du Règlement des études de premier cycle de l'UQ, les études collégiales techniques peuvent conduire à des reconnaissances d'acquis pour certains cours. Pour en savoir plus.
Le candidat qui désire obtenir une reconnaissance de ses acquis sur la base de sa formation antérieure ou de son expérience professionnelle doit faire une demande au Bureau du registraire à la suite de la confirmation de son admission en conformité avec la Procédure relative à la reconnaissance des acquis et des compétences.
PARTICULARITÉS POUR LE PROGRAMME:
Le PIB du secteur de l'informatique par rapport à l'économie globale ne cesse d'augmenter depuis 10 ans. Dans le dernier diagnostic sectoriel de TechnoCompétences, le comité en technologie de l'information d'Emploi Québec, on note clairement que les besoins en professionnels de l'informatique augmentent à un rythme fulgurant et beaucoup plus rapidement que dans les autres secteurs. La croissance annuelle moyenne du nombre d'emploi est de 3,6 % et on recense dans la province plus de 210 000 professionnels. Par ailleurs, le besoin en main-d'œuvre (les talents) constitue un des principaux freins identifiés à la croissance des entreprises dans les prochaines années.
Plus spécifiquement, les spécialistes de la science des données, de l'intelligence d'affaires et de l'industrie 4.0 seront parmi les métiers les plus prisés par les entreprises dans les prochaines années. Le plus récent baromètre des professions commandé par le réputé journal Le Monde notait qu'il s'agissait d'un des métiers les plus recherchés par les recruteurs. De son côté, le Havard Business Review qualifiait ce travail de métier le plus sexy du 21e siècle. La formation offre aux finissants une porte d'entrée vers un emploi à temps complet dans le domaine de l'informatique, de la science des données et de l'intelligence d'affaires. Le taux de placement est très élevé.
Ce programme comprend trente (30) crédits:
| 2MAN115 | Principes de management |
| 8IAR404 | Apprentissage machine pour la science des données (8PRO409) |
| 8INF428 | Introduction à la science des données et à l'intelligence d'affaires |
| 8PRO107 | Éléments de programmation |
| 8PRO409 | Outils de programmation pour la science des données |
| 8STT118 | Probabilité et statistique |
| 8TRD152 | Introduction aux bases de données |
| 2DCO104 | Aspects légaux des affaires électroniques |
| 2ECO102 | Environnement économique de l'entreprise |
| 2MAN216 | Gestion des ressources humaines (2MAN115) |
| 2MAN274 | Aspect humain des organisations (2MAN115) |
| 2MAR210 | Marketing numérique et réseaux sociaux |
| 8IFG147 | Gestion de la production dans l'industrie du numérique |
| 8INF138 | Sécurité des réseaux et du Web |
| 8INF206 | Projet |
| 8INF259 | Structures de données (8PRO107) |
| 8INF417 | Visualisation de données et interface (8PRO409) |
| 8INF427 | Informatique et industrie 4.0 (8INF428) |
| 8INF700 | Sujet spécial en informatique |
| 8STT109 | Analyse statistique des données de masse ((8GEN444) ou (8STT118)) |
| 8WEB101 | Conception et programmation de sites Web |
| 7ANG021 | English Skills I |
| 7ANG022 | English Skills II (7ANG021) |
| 7ANG023 | English Skills III (7ANG022) |
| 7ANG024 | English Skills IV (7ANG023) |
| 7ENL520 | Critical Reading Skills and Comprehension (7ANG023) |
| 7INF517 | Traitement automatique des langues |
| 7LNG104 | Rédaction |
| 7LNG106 | Orthographe et grammaire de base |
| 7LNG124 | Maîtrise du français |
DESCRIPTION DES COURS
2DCO104 Aspects légaux des affaires électroniques
Sensibiliser à l'éclatement de l'environnement légal et aux impacts engendrés par les affaires électroniques.
Évaluation des enjeux de la mondialisation des marchés; définition de la problématique des affaires électroniques. Droit international et souveraineté des États, les forums internationaux (OMC, etc.), environnement juridique et état de la situation, le contrat électronique, le télétravail, le télémarketing : liens contractuels, formation, exécution et responsabilité; propriété intellectuelle, droits d'auteur, confidentialité, gestion du risque légal, fraude, recours.
Formule pédagogique : Cours Magistral
2ECO102 Environnement économique de l'entreprise
Analyser l'impact de l'environnement économique national et mondial sur la dynamique des entreprises en tant qu'agent principal des activités de production, d'échanges et de création d'emploi. Examiner le rôle que joue le secteur entreprise en fonction des politiques fiscale et monétaire ainsi que des effets de la politique commerciale sur le plan de l'économie nationale.
Fonctions économiques fondamentales et activités de production et d'échange. Rôle des entreprises dans la formation du produit national et l'allocation des ressources. Comptabilité nationale et relations interindustrielles. Inflation, emploi et chômage. Politiques fiscales et impact sur les entreprises. Monnaie, crédit et système financier canadien. Impact de la politique monétaire sur le secteur entreprise. Commerce international et notion des avantages comparés. Concept de pôle de compétitivité. Étude de cas: analyse d'un secteur productif de l'économie du Québec ou du Canada.
Formule pédagogique : Cours Magistral
2MAN115 Principes de management
Offrir des cadres de référence permettant d'intégrer les autres notions qui seront progressivement acquises durant le programme. Plus particulièrement, familiariser avec les principales notions de base en matière de théorie administrative et introduire aux divers principes et systèmes qui régissent l'articulation, le développement et la croissance de l'entreprise. Accroître la sensibilisation face aux problèmes de management, ainsi que l'aptitude à les résoudre.
L'évolution des théories de management du 19e siècle à nos jours. L'organisation et son environnement (local, national et international). Perspectives classique et contemporaine des éléments du processus de management: planification (processus de planification, management stratégique), organisation (structure, dotation et GRH), direction (leadership, changement organisationnel) et contrôle (types et systèmes de contrôle).
Formule pédagogique : Cours Magistral
2MAN216 Gestion des ressources humaines
Offrir une vue d'ensemble de la gestion des ressources humaines et de ses pratiques afin de comprendre la contribution spécifique de la GRH à l'optimisation et au déploiement de la stratégie de l'organisation.
Évolution historique des modèles de GRH. Le rôle stratégique de la GRH. L'influence des facteurs environnementaux sur les pratiques RH. La GRH et l'organisation du travail. Les activités de dotation en personnel. L'évaluation du rendement. Le développement des compétences et la gestion des carrières. La rémunération et la reconnaissance. Les principaux aspects juridiques de la GRH. La promotion d'un milieu de travail sain et sécuritaire. Les technologies de l'information et la GRH. L'évaluation de la gestion des ressources humaines.
Préalable(s): (2MAN115)
Formule pédagogique : Cours Magistral
2MAN274 Aspect humain des organisations
Comprendre les pratiques et théories relatives aux dimensions humaines et sociales d'une organisation. Comprendre la relation individu/groupe/collègues/supérieurs en contexte de travail. Accroître les capacités d'analyse et d'interprétation des comportements des travailleurs et des groupes dans l'organisation, afin d'y arrimer avec cohérence les pratiques organisationnelles et de comprendre les impacts des décisions managériales sur les travailleurs.
Connaissance de soi en tant que travailleur, composition et compréhension des équipes de travail, relation avec l'autorité et le pouvoir, relation avec les collègues, gestion de la performance, gestion du changement organisationnel, etc.
Préalable(s): (2MAN115)
Formule pédagogique : Cours Magistral
2MAR210 Marketing numérique et réseaux sociaux
Les technologies de l'information et les médias numériques ont eu un impact prononcé sur les comportements de consommation d'une part et les modèles d'affaires organisationnels d'autre part. L'objectif principal de ce cours est de développer les compétences pratiques en marketing interactif afin de permettre de commercialiser efficacement des produits et des services par le biais des plateformes web, mobiles ainsi que les réseaux sociaux.
À l'issue de ce cours, être en mesure de réaliser un diagnostic du marketing numérique d'une organisation et être capable de mettre en œuvre des activités d'optimisation de la présence et des affaires commerciales d'une organisation selon une approche omnicanal à 360 degrés.
La stratégie web, le comportement du consommateur en ligne, la gestion du site Web et des blogs, la recherche d'informations en ligne, la gestion de la mobilité et des objets connectés, la gestion de la relation client en ligne, ainsi que les analytiques Web et mesure omnicanal.
Formule pédagogique : Cours Magistral
7ANG021 English Skills I
Développer des stratégies permettant de mieux communiquer dans des situations quotidiennes (pour les étudiants ayant connaissance de base en anglais). Développer la compréhension de l'oral et de l'écrit, et l'expression orale et écrite.
Vocabulaire de base associé à l'exécution des fonctions de la vie courante. Fonctions langagières : se présenter, exprimer ses préférences et ses aversions, décrire son milieu immédiat, parler de ses activités quotidiennes, demander et donner des informations, chercher et proposer de l'aide, donner des indications, etc. Structures grammaticales pertinentes: formes verbales à l'impératif, au présent, au futur proche et au «simple past»; verbes modaux exprimant les requêtes; noms comptables et non comptables; déterminants démonstratifs et possessifs; adverbes de fréquence; questions simples de type «yes / no» et «wh». Mise en situation du lexique et des structures grammaticales à partir de simulations provenant des ressources didactiques en classe et en laboratoire multimédia.
Formule pédagogique : Cours Magistral
7ANG022 English Skills II
Poursuivre l'acquisition des connaissances langagières de base dans des contextes réels et simulés qui représentent des fonctions sociales et professionnelles. Développer la compréhension de l'oral et de l'écrit, et l'expression orale et écrite.
Vocabulaire associé aux fonctions sociales et professionnelles, expressions idiomatiques, prononciation. Fonctions langagières: donner des informations sur soi-même, décrire un tiers, donner et demander des informations sur des faits, poser des questions concernant des habitudes ou des intérêts personnels et y répondre, décrire des événements passés au moyen du «simple past», donner et suivre des indications, exprimer l'accord et le désaccord, etc. Structures grammaticales pertinentes: révision des questions de type «yes / no» de même que des formes verbales au présent et au futur proche; distinction entre le «simple past» et le «present perfect»; verbes au passé continu et habituel; verbes périphrastiques; verbes modaux exprimant la nécessité et l'obligation; adjectifs comparatifs et superlatifs; adverbes de quantité. Conversations dirigées, courtes discussions, mises en situation du lexique et des structures grammaticales au moyen des ressources didactiques fournies en classe et en laboratoire multimédia.
Préalable(s): (7ANG021)
Formule pédagogique : Cours Magistral
7ANG023 English Skills III
Permettre d'améliorer sa capacité à tenir une conversation et à produire des textes dans des contextes réels et simulés qui sont caractéristiques des fonctions de la vie académique, sociale et professionnelle (pour les étudiants de niveau intermédiaire/avancé). Développer la compréhension de l'oral et de l'écrit, et l'expression orale et écrite.
Vocabulaire associé aux fonctions de la vie académique, sociale et professionnelle, expressions idiomatiques, prononciation. Fonctions langagières: décrire les personnes, contester face à un désaccord, accepter et refuser les requêtes, laisser des messages, raconter une histoire au passé, exprimer des émotions et des attentes. Structures grammaticales pertinentes: le présent simple, le présent progressif et le «present perfect», formes verbales au présent continu et au «present perfect progressive», «simple past», «past perfect» et «past perfect progressive»; verbes périphrastiques; propositions adjectivales, adverbiales et conditionnelles; pronoms relatifs, rôle adjectival du participe passé, le gérondif en fonction de sujet ou de complément. Conversations dirigées, courtes discussions, mises en situation et exercices grammaticaux en classe et en laboratoire multimédia.
Préalable(s): (7ANG022)
Formule pédagogique : Cours Magistral
7ANG024 English Skills IV
Permettre de perfectionner sa capacité à communiquer (oralement ou par écrit) dans des contextes réels et simulés qui sont caractéristiques des fonctions de la vie académique, sociale et professionnelle (pour les étudiants de niveau avancé). Développer la compréhension de l'oral et de l'écrit, et l'expression orale et écrite.
Vocabulaire associé aux fonctions de la vie académique, sociale et professionnelle, expressions idiomatiques, prononciation. Fonctions langagières: identifier des problèmes et proposer des solutions, préciser le but d'une proposition, proposer des explications, tirer des conclusions, décrire des événements hypothétiques. Structures grammaticales pertinentes: formes verbales au plus-que-parfait progressif, passif; modaux au passé; propositions conditionnelles; discours rapporté. Conversations dirigées, discussions longues, débats, mises en situation et exercices grammaticaux en classe et en laboratoire multimédia.
Préalable(s): (7ANG023)
Formule pédagogique : Cours Magistral
7ENL520 Critical Reading Skills and Comprehension
Améliorer la compréhension de l'anglais écrit. Développer des techniques de lecture aux niveaux littéral, inférentiel, critique et analytique.
Sensibilisation aux nuances de la langue anglaise dues à des variations lexicales, morphologiques et syntaxiques dans le cadre d'analyses de textes courants. Différences de significations de structures syntaxiques dans des contextes variés. Stratégies de lecture (skimming, scanning). Techniques pour améliorer l'efficacité de lecture.
Préalable(s): (7ANG023)
Formule pédagogique : Cours Magistral
7INF517 Traitement automatique des langues
Faire découvrir le domaine du traitement automatique des langues (TAL). Maitriser différentes techniques d'analyse automatique des langues. Connaitre et comprendre différentes technologies langagières telles que la traduction automatique, la synthèse de parole, la reconnaissance de parole, la correction orthographique, le dialogue personne-machine. S'initier à l'utilisation d'un environnement de programmation informatique (Perl, Python, R...) pour la fouille de textes (Text Mining).
Les fondements du TAL. Les unités linguistiques orales et écrites utilisées en TAL (diphones, n-grammes, lemmes...). Les techniques de catégorisation et d'étiquetage des séquences orales et des documents textuels; les outils d'analyse morpho-syntaxique et lexicale. Les techniques d'extraction et d'alignement automatique de séquences orales et de chaines textuelles (Dynamic Time Warping, expressions régulières, Skeleton Key, distance de Levenshtein...). Les techniques de fouille de textes (fréquences, Topic Modeling...). Quelques principes de linguistique statistique (loi de Zipf-Mandelbrot, loi de Menzerath-Altmann...).
Formule pédagogique : Magistral et/ou formation à distance
7LNG104 Rédaction
Améliorer la compétence en communication écrite en initiant au processus d'écriture. Développer l'habileté à rédiger un texte dans sa discipline en faisant prendre conscience des facteurs extralinguistiques qui influencent la production des textes et en initiant aux procédés linguistiques qui en assurent la pertinence et la cohérence.
Définition de la tâche d'écriture. Recherche documentaire : cueillette, sélection et organisation des informations; techniques du résumé. Structuration du contenu : introduction et conclusion, formulation et enchaînement des idées, gestion de la référence, établissement de relations logiques et utilisation des connecteurs, phénomènes d'énonciation, organisation du lexique et champs sémantiques. Travail de révision et de réécriture. Organisation matérielle : éléments de méthodologie (citations, références, bibliographie), normes de présentation.
Formule pédagogique : Cours Magistral
7LNG106 Orthographe et grammaire de base
Développer la compréhension du fonctionnement de l'écrit. Développer une capacité d'analyse permettant la détection et la résolution de problèmes orthographiques, syntaxiques et lexicaux courants.
Structure de la phrase simple. Retour sur les classes et les fonctions grammaticales. Manipulations syntaxiques. Système général des accords grammaticaux, dans les groupes et entre les groupes. Forme simple ou composée du verbe, conjugaison, accord; verbes pronominaux, à l'infinitif et au participe. Types et formes de phrases. Structure de la phrase complexe : relative, complétive et circonstancielle; interrogation indirecte, concordance des temps, confusions homophoniques indicatif/ subjonctif, anacoluthes. Principes de coordination. Reprise et progression de l'information. Pronoms personnels, possessifs et démonstratifs. Correction d'erreurs fréquentes. Utilisation des outils de référence.
Formule pédagogique : Magistral et/ou formation à distance
7LNG124 Maîtrise du français
Approfondir la compréhension des règles de l'écrit et l'habileté à détecter et à résoudre divers problèmes liés à l'orthographe grammaticale, à la construction des phrases, au choix du vocabulaire, à la ponctuation et à l'orthographe d'usage.
Structure et transformations de la phrase de base. Phrases juxtaposées et coordonnées : pronominalisation ou ellipse, ponctuation. Mécanisme de la subordination; choix des pronoms relatifs, choix du mode verbal, concordance des temps, ponctuation. Construction participiale, infinitive, corrélative. Accords grammaticaux dans la phrase complexe. Repérage des anglicismes, impropriétés, barbarismes; choix du mot juste. Zones de régularités et particularités en orthographe d'usage. Utilisation des outils de références (dictionnaires, grammaires, conjugueurs).
Formule pédagogique : Cours Magistral
8IAR404 Apprentissage machine pour la science des données
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Distinguer les paradigmes d'apprentissage et leurs cas d'usage; Utiliser des méthodes de réduction de dimension et de sélection de variables; Appliquer des techniques de régression, classification et de clustering; Interpréter les modèles via les résidus, les courbes d'apprentissage et l'importance des variables; Comparer les algorithmes selon interprétabilité et robustesse; Prétraiter les données; Construire des pipelines reproductibles avec scikit-learn; Évaluer les modèles avec métriques pertinentes; Optimiser à l'aide des hyperparamètres; Appliquer des méthodes d'interprétabilité; Atténuer les biais algorithmiques.
Apprentissage supervisé vs non supervisé ; Paradigmes et cas d'usage ; Classification et régression (KNN, arbres, SVM, boosting) ; Clustering (K-means, DBSCAN, hiérarchique) ; Réduction de dimension (PCA, t-SNE, UMAP) ; Sélection de variables (RFE, SHAP, importance des variables) ; Prétraitement des données (nettoyage, encodage, normalisation, standardisation) ; Pipelines de transformation (train/test, K-fold, stratification, data leakage) ; Régression linéaire et régularisation (Lasso, Ridge) ; Régression logistique, métriques de performance (MAE, RMSE, R², précision, rappel, F1, ROC-AUC) ; Méthodes à base de voisinage (KNN) ; Arbres de décision et forêts aléatoires (CART, Gini, entropie, bagging) ; Boosting (AdaBoost, Gradient Boosting, XGBoost, CatBoost) ; Optimisation et recherche d'hyperparamètres (GridSearchCV, RandomSearchCV, Optuna, Bayesian Optimization) ; SVM linéaire et non linéaire (kernel trick, RBF) ; Apprentissage semi-supervisé (pseudo-labelling, Label Propagation) ; Détection d'anomalies (Isolation Forest, LOF) ; Interprétabilité (SHAP, LIME, Feature Importance) ; Biais algorithmiques et équité (Fairlearn, Aequitas, Demographic Parity) ; Bonnes pratiques : reproductibilité, robustesse, documentation, éthique ; Projet intégrateur : pipeline complet, évaluation critique, présentation des résultats, communication des conclusions.
Préalable(s): (8PRO409)
Formule pédagogique : Cours Magistral
8IFG147 Gestion de la production dans l'industrie du numérique
Comprendre l'importance d'une bonne gestion de projets dans le domaine du développement de jeu vidéo. Développer la compréhension de la méthodologie Agile et du cadre de référence Scrum. Connaître les rôles, artéfacts et rituels Scrum. Comprendre la planification, le découpage et l'estimation des coûts de projet avec la méthode Agile. S'initier à la gestion d'équipes. Parfaire ses habiletés de communication et de résolution de conflits. Se familiariser avec la gestion de risques.
La production de jeux vidéo avec l'approche Agile/Scrum. Les trois piliers de Scrum : transparence, inspection et adaptation. La notion de rituel/point de contrôle et des « timebox ». L'aspect adaptatif et empirique de l'approche. Organisation du travail. Les rôles : Scrum Master, Product Owner et équipe multidisciplinaire de développement. Les rituels de planification : Release Planning et Sprint planning. Les trois points d'inspection et d'adaptation : rencontre quotidienne, revue de jeu et rétrospective. Les cinq artéfacts. Outils informatisés pour la gestion de projets (ex. Teams, Trello, Jira). Optimisation de la boucle de production Agile/Scrum. Définir le périmètre (scope) d'un projet en Agile/Scrum. Découper les fonctionnalités et estimer en continue en approche adaptative pour une production structurée et efficace. Définir son « backlog » de produit et son « backlog » de Sprint. L'équipe de projet : optimisation du processus de coordination des ressources. La nature d'une équipe de projet : bloquants et spécificités. La communication avec l'équipe et avec les individus : les stratégies. La gestion et la répartition de son temps. La gestion de projets à grande échelle en Agile/Scrum. Problématiques liées aux grandes équipes lors de l'utilisation d'approches Agiles. Modèles de gestion Agile à grande échelle : Nexus, LeSS, Spotify, Scrum of Scrum, Safe, etc. Évolution à venir dans le futur au niveau de la gestion de projets dans le secteur du numérique.
Formule pédagogique : Magistral et/ou formation à distance
8INF138 Sécurité des réseaux et du Web
Amener à comprendre les concepts de base de la sécurité informatique et de la protection de l'environnement de travail grâce à des logiciels et des protocoles de sécurité. Faire acquérir une approche pratique de la sécurité dans l'environnement de l'Internet.
Concepts de base de la sécurité informatique. Menaces. Vulnérabilité des systèmes. Survol des technologies utilisées en sécurité informatique: cryptographie, cryptanalyse, authentification, confidentialité, codes malicieux, pare-feux, audits, détection d'intrusions, etc. Principes de base pour sécuriser un environnement réseau. La taxonomie d'attaques malicieuses sur les réseaux informatiques. Les faiblesses des protocoles réseaux. Installation et configuration des outils de sécurité réseau. Protocoles de sécurité. Sécurité du Web. Concepts de politique de sécurité pour les réseaux. Étude approfondie des technologies utilisées pour la protection des réseaux informatiques. Sécurité de commerce électronique. Modèles de sécurité des langages de programmation. Vérification des mécanismes de sécurité implantés dans une organisation donnée.
Formule pédagogique : Cours Magistral
8INF206 Projet
Concevoir, élaborer et réaliser un logiciel, ou adapter un logiciel relié au champ d'intérêt de l'étudiant.
À partir d'une problématique qu'il identifiera, l'étudiant franchira toutes les étapes de réalisation ou d'adaptation d'un logiciel. Il devra analyser le problème, le structurer et en construire une image riche. Il devra le conceptualiser sous forme modulaire et élaborer des solutions de rechange. Il devra traduire la meilleure solution dans un langage de programmation (cours terminal).
Formule pédagogique : Magistral et/ou formation à distance
8INF259 Structures de données
Poursuivre le développement des connaissances en méthodologies de résolution de problèmes et de programmation. Initier aux types abstraits de données, à leurs applications. Mettre en oeuvre des structures de données classiques et analyser leurs avantages et leurs défauts respectifs. Initier aux principes de l'algorithmique. Utiliser efficacement la librairie standard du C++ (STL).
Structures de données abstraites: piles, files, listes, arbres, graphes, tables de hachage, B-arbres. Analyse théorique et mise en oeuvre des algorithmes de gestion de ces structures: insertion, élimination, recherche, tri, etc. Analyse de l'efficacité des algorithmiques: introduction à la notation asymptotique. Introduction au langage C++: notions de classes et de modèles (templates). Organisation matérielle des fichiers: séquentielle, indexée, séquentielle-indexée. Utilisation de la STL: étude des principaux conteneurs (vector, list, stack, queue, map, set, etc.), utilisation des itérateurs (standard, constants et inversés).
Préalable(s): (8PRO107)
Formule pédagogique : Cours Magistral
8INF417 Visualisation de données et interface
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Décrire les principes cognitifs qui influencent l'interprétation visuelle; Corriger les éléments nuisant à la lisibilité ou induisant des biais; Associer chaque type de donnée à un encodage visuel approprié; Produire des visualisations en appliquant rigoureusement les bonnes pratiques de design et d'ergonomie; Manipuler des données dans Tableau; Utiliser les filtres, les regroupements et les calculs pour concevoir un tableau de bord interactif; Réviser un dashboard à partir de rétroactions ou d'une autoévaluation réflexive.
Introduction à la visualisation de données : objectifs, importance, rôle dans la communication des insights, distinction entre visualisation exploratoire et explicative ; Principes cognitifs et perceptifs : perception visuelle, attention sélective, lois de Gestalt, attributs préattentifs, organisation spatiale et hiérarchique de l'information ; Encodage visuel et typologie des données : correspondance entre types de données (quantitatives, temporelles, géographiques) et encodages (position, longueur, couleur, taille, forme), choix du graphique selon le message et le public ; Bonnes pratiques de conception : clarté, cohérence, hiérarchie visuelle, minimalisme, équilibre esthétique-fonctionnel, storytelling visuel ; Manipulation et exploration de données : préparation, filtrage, regroupement, calculs et agrégations dans Tableau, création de vues dynamiques et interactives ; Narration et séquencement : structuration d'une histoire visuelle, transitions, storyboards et dashboards narratifs ; Conception de tableaux de bord : principes de layout, interactivité, filtres, légendes, mesures calculées et calculs de table, indicateurs et métriques personnalisées ; Critique et amélioration : analyse comparative de visualisations selon des critères de clarté, pertinence, cohérence et efficacité ; Accessibilité et éthique : conception inclusive (contraste, couleurs daltoniennes, typographie lisible), transparence, réduction des biais visuels, responsabilité du concepteur ; Validation et réflexivité : autoévaluation et rétroaction entre pairs, révision itérative des dashboards, justification des choix de design ; Projet final : réalisation complète d'un dashboard interactif documenté, intégrant narration, interactivité, accessibilité et présentation orale ou vidéo.
Préalable(s): (8PRO409)
Formule pédagogique : Cours Magistral
8INF427 Informatique et industrie 4.0
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Identifier les composantes d'un système cyber-physique; Expliquer l'IIoT, le edge computing et le cloud industriel; Mettre en uvre un échange de données via MQTT ou OPC-UA; Analyser l'interopérabilité et les normes ISA-95 et RAMI 4.0; Évaluer les limites techniques et énergétiques des solutions 4.0; Analyser une architecture logicielle de collecte et de traitement; Programmer des microcontrôleurs pour collecter des données; Déployer un tableau de bord Grafana ou Node-RED; Appliquer les principes de cybersécurité; Simuler un scénario de panne ou d'attaque.
Industrie 4 ; 0 : origines, principes, systèmes cyber-physiques (CPS) ; Architecture industrielle : ISA-95, RAMI 4 ; 0, 5C ; IIoT et capteurs intelligents (ESP32, Raspberry Pi, DHT22, BMP180) ; Communication machine-machine : MQTT, WebSocket, OPC-UA ; Microcontrôleurs et collecte de données (MicroPython, Node ; js) ; Bases de données temporelles (InfluxDB, TimescaleDB) ; Visualisation : Grafana, Node-RED ; Chaîne temps réel : acquisition ? stockage ? visualisation ? action ; Edge Computing vs Cloud vs Fog ; Traitement local : filtrage, agrégation, détection d'anomalies ; Interopérabilité et normalisation (OPC-UA, ISA-95, RAMI 4 ; 0) ; Jumeaux numériques (Factory I/O, Simulink, Unity) ; Cybersécurité industrielle : menaces, segmentation, IEC 62443, NIST SP 800-82 ; Gouvernance et souveraineté des données (Gaia-X, Data Spaces, OPC UA over TSN) ; Intégration Brownfield : rétro-ingénierie, passerelles Edge, PLCs anciens ; Intelligence embarquée : TensorFlow Lite, Edge Impulse ; Analyse d'impact et réflexivité socio-technique (éthique, responsabilité, autonomie) ; Dilemmes technologiques et humains : place de l'humain, résilience, durabilité ; Projet intégrateur : conception d'un système 4 ; 0 complet (capteurs, acquisition, traitement, visualisation, sécurité, documentation) ; Bonnes pratiques : robustesse, interopérabilité, reproductibilité, cybersécurité, gouvernance.
Préalable(s): (8INF428)
Formule pédagogique : Cours Magistral
8INF428 Introduction à la science des données et à l'intelligence d'affaires
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Distinguer données, information et connaissance; Différencier science des données, intelligence artificielle et intelligence d'affaires; Distinguer les rôles professionnels; Expliquer les caractéristiques du Big Data; Identifier les principales sources de données; Évaluer la qualité des données et l'usage des métadonnées; Identifier les éléments constituant l'architecture d'un système décisionnel; Appliquer CRISP-DM pour décrire les étapes d'un projet; Collaborer dans un projet multidisciplinaire; Examiner les enjeux de gouvernance des données.
Fondements, concepts et enjeux de la science des données et de l'intelligence d'affaires : données, information, connaissance; secteurs d'application (finance, santé, marketing, transports intelligents, cybersécurité); historique du domaine; rôles professionnels (scientifique de données, analyste d'affaires, ingénieur de données, architecte de solutions); Big Data et ses 5V (volume, vélocité, variété, véracité, valeur); types de données (structurées bases SQL, semi-structurées JSON/XML, non structurées images, vidéos, textes); outils et environnements (Python, R, Tableau, Power BI, Hadoop, Spark); sources et techniques d'acquisition (ERP SAP, Oracle; APIs Twitter, Google Maps; IoT capteurs connectés); qualité et gouvernance des données (nettoyage, cohérence, intégrité); métadonnées (catalogues de données, dictionnaires); architectures décisionnelles (entrepôts de données, data lakes, data warehouses en nuage comme Snowflake ou BigQuery); méthodologies de projet (CRISP-DM, KDD); visualisation et tableaux de bord interactifs; enjeux éthique et de conformité (RGPD, biais algorithmiques, vie privée, lois locales comme la Loi 25 au Québec); impacts sociaux et organisationnels (transparence, automatisation, transformation numérique).
Formule pédagogique : Cours Magistral
8INF700 Sujet spécial en informatique
Permettre à l'étudiant de bénéficier d'une formation adaptée.
Le contenu est variable selon les besoins des étudiants et l'expertise professorale disponible.
Formule pédagogique : Magistral et/ou formation à distance
8PRO107 Éléments de programmation
Initier au langage de programmation C++ tout en développant la créativité et l'esprit d'analyse. Initier à la résolution de problèmes et aux étapes à suivre pour résoudre un problème à l'aide d'un ordinateur. Familiariser avec les méthodes de résolution de problèmes par ordinateur dans le cadre de la programmation modulaire et structurée en C++. Sensibiliser au développement de programmes en C++ de bonne qualité, faciles à comprendre, faciles à utiliser et faciles à modifier.
Éléments du langage de programmation C++ : types simples et composés, variables locales et globales, entrées et sorties, expressions, structures de contrôle, fonctions, tableaux et pointeurs. Algorithmes interactifs et récursifs. Passage de paramètres par valeur et par référence. Allocation dynamique de la mémoire. Modularité et organisation des données. Notions d'algorithmique et de conception de programmes lisibles, compréhensibles et modifiables. Convention d'écriture de programmes et de documentations. Méthodologies de résolution de problèmes. Mise au point et vérification de programmes.
Formule pédagogique : Magistral et/ou formation à distance
8PRO409 Outils de programmation pour la science des données
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Utiliser la syntaxe de base de Python; Utiliser la programmation orientée objet; Manipuler des données réelles avec Pandas; Évaluer la qualité des données; Créer des visualisations interactives avec Plotly; S'initier aux analyses exploratoires de données; Appliquer les bonnes pratiques de codage; Développer dans des IDE et notebooks Jupyter en assurant la reproductibilité.
Écosystème scientifique de Python (variables, types de base comme int, float, string, bool; structures de contrôle conditions if/else, boucles for/while; fonctions personnalisées); structures de données complexes (listes, dictionnaires, ensembles, objets orientés-objet); bibliothèques clés de la science des données (NumPy pour opérations vectorisées et matricielles, Pandas pour nettoyage, regroupements, jointures de données tabulaires, Matplotlib et Seaborn pour visualisation statistique, Plotly pour visualisation interactive); métadonnées (noms de colonnes, schémas, dictionnaires de données); analyses exploratoires de données (EDA : statistiques descriptives, tendances temporelles, détection d'anomalies ou valeurs aberrantes); bonnes pratiques de programmation (PEP8 pour le style, tests unitaires avec pytest, reproductibilité, versionnage avec Git, documentation claire, modularité du code); environnements de développement et de travail (Anaconda pour la gestion de packages, Jupyter Notebooks pour prototypage interactif, VS Code ou PyCharm pour développement structuré); flux d'exécution (conditions imbriquées, boucles, itérateurs, compréhension de listes); scripts reproductibles (organisation en modules, utilisation d'environnements virtuels).
Formule pédagogique : Cours Magistral
8STT109 Analyse statistique des données de masse
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Définir les caractéristiques des données massives et les principaux défis statistiques; Détecter des outliers à grande échelle à l'aide de méthodes univariées et multivariées; Évaluer la dépendance entre variables en utilisant des mesures robustes et non linéaires; Mettre en uvre des méthodes de rééchantillonnage pour estimer des paramètres et leurs intervalles de confiance; Développer des modèles de régression multiples et robustes pour modéliser des relations complexes; Évaluer la significativité statistique dans des contextes à tests multiples à l'aide de corrections; Réduire la dimensionnalité des données pour faciliter l'analyse exploratoire; Modéliser des séries temporelles massives pour prévoir et détecter des anomalies.
Données massives (5V : volume, vélocité, variété, véracité, valeur) ; biais ; bruit ; données manquantes (MCAR, MAR, MNAR) ; outliers (méthodes univariées et multivariées) ; reproductibilité et auditabilité ; statistiques descriptives robustes (médiane, MAD, quantiles tronqués) ; corrélations robustes (biweight, distance correlation) ; dépendances non linéaires (Mutual Information, HSIC) ; distributions lourdes (Pareto, log-normale, lois de puissance) ; estimation de paramètres (MLE, moments) ; rééchantillonnage (bootstrap, jackknife) ; intervalles de confiance ; inférence bayésienne (a priori, vraisemblance, a posteriori) ; outils (PyMC, Stan) ; régression multiple (Ridge, Lasso, RANSAC) ; multicolinéarité (VIF) ; diagnostics de modèles (résidus, leverage) ; ANOVA ; modèles linéaires généralisés (GLM : logistique, Poisson) ; tests multiples (Bonferroni, FDR) ; puissance statistique ; séries temporelles (décomposition, anomalies, ARIMA scalable) ; données catégorielles (Khi², modèles log-linéaires) ; réduction de dimension (ACP incrémentale, randomized SVD, t-SNE, UMAP) ; visualisation de données massives ; imputation multiple (MICE) ; qualité des données ; pipelines statistiques reproductibles ; communication des résultats (rapports, graphiques, visualisations interactives).
Préalable(s): ((8GEN444) ou (8STT118))
Formule pédagogique : Cours Magistral
8STT118 Probabilité et statistique
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Interpréter les mesures de tendance centrale, de dispersion et de forme à partir de leurs calculs; Distinguer probabilité, événements, indépendance et conditionnement; Utiliser les lois de probabilité; Appliquer la loi des grands nombres; Formuler des hypothèses statistiques; Tester des hypothèses statistiques; Comparer des groupes d'échantillons avec des tests appropriés; Distinguer corrélation et causalité; Questionner la validité et la reproductibilité des analyses réalisées.
Types de variables (quantitatives continues comme la taille, qualitatives nominales comme la couleur des yeux, ordinales comme un niveau de satisfaction); mesures descriptives (tendance centrale moyenne, médiane, mode; dispersion variance, écart-type; forme asymétrie, kurtosis); événements, indépendance et conditionnement; lois de probabilité (binomiale lancer de pièce, normale distribution des tailles humaines, exponentielle temps entre deux pannes d'un système); biais d'échantillonnage (sélection non représentative, effet de non-réponse); loi des grands nombres et théorème central limite; estimateurs ponctuels (moyenne, proportion), intervalles de confiance; tests d'hypothèses statistiques (t-test pour deux moyennes, z-test pour proportions, tests non paramétriques comme Mann-Whitney); comparaison de groupes (groupe témoin vs groupe expérimental); régression linéaire simple (relation entre âge et revenu, par exemple); conditions de validité (linéarité, homoscédasticité, indépendance des erreurs, normalité des résidus); limites des tests et interprétation critique; propriétés des estimateurs (biais, efficacité); distinction corrélation versus causalité (ex ; corrélation glace vendue ? noyades, sans lien causal direct); communication des résultats (graphiques, rapports, tableaux de bord); enjeux de validité et de reproductibilité (réplication des expériences, transparence des méthodes).
Formule pédagogique : Cours Magistral
8TRD152 Introduction aux bases de données
Objectifs généraux
Quelques objectifs spécifiques parmi d'autres
Identifier les composants et le rôle d'un système de gestion de bases de données relationnelle; Situer les bases dans un contexte client-serveur; Modéliser un système réel avec l'approche entité-association; Transformer un schéma conceptuel en modèle relationnel; Appliquer la normalisation jusqu'à la troisième forme normale; Écrire des requêtes SQL de sélection, de filtrage et de tri; Réaliser des jointures et des agrégations; Décrire les principes de sécurité d'un système de gestion de bases de données relationnelle; Explorer des bases volumineuses avec SQL; Connecter une base de données à un outil analytique.
Données vs informations vs connaissances ; Systèmes de gestion de bases de données (SGBD : PostgreSQL, SQLite, MySQL) ; Types de bases (relationnelles vs NoSQL : MongoDB, Cassandra) ; Architecture client-serveur (PostgreSQL, pgAdmin) ; Cycle de vie d'un projet de base de données (analyse, modélisation, implémentation, exploitation) ; Modélisation conceptuelle (entités, attributs, relations, cardinalités) ; Diagrammes E-A (Chen, UML) ; Outils de modélisation (dbdiagram ; io, draw ; io) ; Modélisation relationnelle (tables, clés primaires et étrangères, contraintes d'intégrité : unicité, nullabilité, référentielle) ; Normalisation (1NF, 2NF, 3NF) ; Analyse des anomalies (redondance, insertion, suppression) ; SQL Requêtes de base (SELECT, FROM, WHERE, ORDER BY) ; Types de données SQL (INTEGER, VARCHAR, DATE, BOOLEAN) ; Jointures (INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN) ; Agrégations (COUNT, SUM, AVG) ; GROUP BY ; HAVING ; Sous-requêtes (dans SELECT, FROM, WHERE) ; Vues (création, utilisation, sécurité) ; Requêtes avancées (CASE, COALESCE, fonctions temporelles) ; Manipulation des données (INSERT, UPDATE, DELETE) ; Transactions (BEGIN, COMMIT, ROLLBACK) ; Contraintes référentielles ; Indexation (index simples, composés) ; Plans d'exécution (EXPLAIN) ; Optimisation de requêtes ; Sécurité (utilisateurs, rôles, privilèges, SQL Injection) ; Projet intégrateur (modélisation, requêtes, optimisation, sécurité, documentation) ; SQL pour la science des données (BigQuery, pandas ; read_sql).
Formule pédagogique : Cours Magistral
8WEB101 Conception et programmation de sites Web
Se familiariser avec la méthodologie, la conception et la gestion d'un site Web. Comprendre les notions de base du Web et de l'approche client-serveur.
Origines et évolution des technologies du Web. Notions de base du réseau Internet: adressage, protocole TCP/IP, fonctionnement du protocole HTTP. Architecture client-serveur. Structure d'un document avec le langage HTML. Présentation et mise en page des diverses composantes d'un site Web avec le langage CSS. Éléments dynamiques côté client: animations, utilisation élémentaire du langage JavaScript. Notions de design: formats et traitement d'images, ergonomie, accessibilité, support des standards par les navigateurs, optimisation du temps de chargement. Fonctionnement des moteurs de recherche. Configuration et gestion de base d'un serveur web; compilation de statistiques à partir des logs d'un serveur. Mise en place d'un système de gestion de contenu (CMS). Enjeux de sécurité informatique pour un utilisateur du web: cookies, hameçonnage.
Formule pédagogique : Magistral et/ou formation à distance