Le Microprogramme de premier cycle en science des données et intelligence d'affaires permet une initiation à ce domaine de pointe en formant des personnes informaticiennes sur les niveaux suivants: familiarisation avec les problématiques de la visualisation des données, introduction aux traitements et à l'analyse exploratoire des données et l'apprentissage machine. D'autre part, le programme vise aussi l'acquisition de connaissances de base dans les probabilités et statistiques. Ce programme peut aussi être une excellente porte d'entrée vers d'autres programmes de 1e cycle en informatique.
Ce programme permet une initiation au domaine de la science des données et intelligence d'affaires et le développement des compétences professionnelles dans ce secteur d'avenir.
Être titulaire d'un diplôme d'études collégiales (DEC) ou l'équivalent;
Avoir réussi quinze (15) crédits de niveau universitaire avec une moyenne cumulative d'au moins 2,3/4,3.
Posséder une expérience jugée pertinente et significative dans un domaine connexe (1). Le candidat qui demande une admission sur cette base doit fournir un curriculum vitæ à jour. Lorsque requis, le candidat pourra être tenu de passer une entrevue pour évaluer ses connaissances. À la suite de l'évaluation, un ou des cours d'appoint pourraient être imposés;
Ou
Être titulaire d'une AEC et posséder une expérience jugée pertinente (2). Le candidat qui demande une admission sur cette base doit fournir un curriculum vitæ à jour. Lorsque requis, le candidat pourra être tenu de passer une entrevue pour évaluer ses connaissances. À la suite de l'évaluation, un ou des cours d'appoint pourraient être imposés.
(1) Expérience pertinente et significative : expérience dans un domaine connexe. Cette expérience doit être d'une durée minimale de trois (3) ans à temps complet et attestée par l'employeur ou la personne responsable de l'organisme par écrit.
(2) Expérience pertinente: expérience dans un domaine connexe. Cette expérience doit être d'une durée minimale de deux (2) ans à temps complet et attestée par l'employeur ou la personne responsable de l'organisme par écrit.
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 au programme se fait aux trimestres d'automne, d'hiver ou en démarrage par cohorte.
Le programme est offert à temps partiel* seulement.
*Les programmes d'une durée de moins de trois mois ainsi que les programmes offerts uniquement à temps partiel ne sont pas reconnus pour l'attribution de prêts et de bourses.
Secteurs d'activité dans lesquels les personnes certifiées au terme du programme auront la chance de travailler et de parfaire leurs connaissances acquises lors de leur formation :
Pour les étudiantes et étudiants du microprogramme, il sera possible de poursuivre leur formation au Programme court de premier cycle en science des données et intelligence d'affaires, Certificat en science des données et intelligence d'affaires et/ou au Baccalauréat en informatique de la science des données et de l'intelligence d'affaires dans lesquels le microprogramme pourra être entièrement crédité.
Les étudiantes et étudiants pourront travailler avec des membres du corps professoral des différents laboratoires de recherche en intelligence artificielle (LIARA), en informatique formelle (LIF), dans l'une de nos deux chaires du Canada, ainsi que dans les laboratoires de Cybersécurité Desjardins et l'Espace Innovation en science des données.
Ce programme comprend neuf (9) crédits répartis comme suit:
| 8INF428 | Introduction à la science des données et à l'intelligence d'affaires |
| 8PRO409 | Outils de programmation pour la science des données |
| 8STT118 | Probabilité et statistique |
DESCRIPTION DES COURS
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
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
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