Microprogramme en science des données (3^e cycle)

Poursuivez votre spécialisation en science des données avec une formation de niveau doctoral marquée par des échanges avec des équipes de recherche hautement qualifiées.

Présentation

Un pont entre la recherche et la pratique

Acquisition ou approfondissement de compétences méthodologiques ou de spécialisation avancées applicables en organisation ou en milieu de recherche.

Séminaires donnant lieu à des interactions de niveau expert entre chercheuses, chercheurs, et personnes disposant d’une expérience solide, acquise en organisation. Ces échanges peuvent notamment permettre d’identifier des applications et collaborations.

Large offre de cours, portant notamment sur :

Les méthodes avancées en exploitation de données
L’analyse des réseaux complexes
L’apprentissage profond
La modélisation bayésienne
L’analyse de données de survie et longitudinales
L’IA responsable

Caractéristiques
du programme

3ᵉ cycle
9 crédits

Temps partiel

Jour

Présentiel

Côte-des-Neiges

De la recherche de pointe dans ce domaine

Les membres du corps professoral associés à cette spécialisation doctorale cumulent des centaines d’articles publiés dans les meilleures revues.

Plusieurs sont titulaires d’un professorship ou d’une chaire de recherche, notamment deux chaires en intelligence artificielle Canada-CIFAR.

Toutes et tous collaborent étroitement avec plusieurs groupes de recherche et pôles de transfert, dont :

Centre de recherches mathématiques (CRM)
Centre interuniversitaire de recherche sur les réseaux d’entreprise, la logistique et le transport (CIRRELT)
Groupe d’études et de recherche en analyse des décisions (GERAD)
IVADO – consortium de recherche en intelligence artificielle
MILA, centre de recherche en intelligence artificielle

Ce programme est fait pour vous

Vous êtes en emploi et vous envisagez une spécialisation avancée en science des données. Ce microprogramme est profitable à des personnes détenant déjà une maîtrise en science des données ou dans un domaine connexe : statistique, informatique, intelligence d’affaires, analytique d’affaires, recherche opérationnelle ou génie.
Vous venez de terminer une maîtrise et vous voulez poursuivre votre spécialisation sans intégrer un programme de doctorat complet.
Vous envisagez de poursuivre vos études avec un doctorat en science des données, mais vous voulez faire l’expérience des cours de 3^e cycle avant de prendre une décision.
Vous souhaitez élargir votre expertise après avoir obtenu un doctorat dans un domaine connexe (mathématique, physique, recherche opérationnelle ou génie, par exemple).

D’autres programmes pour renforcer votre expertise et élargir votre réseau

Explorez les autres microprogrammes de 3e cycle

Découvrez nos autres programmes

Vous étudiez déjà dans le programme? Consultez votre liste de cours dans HEC en ligne > Progression scolaire.

3 séminaires de spécialisation (9 crédits)

Vous devez choisir 3 séminaires parmi les suivants :

MATH 80648

Apprentissage automatique II : Apprentissage profond

Matière

Mathématiques

Programme

Doctorat

Lieu

Côte-des-Neiges

Mode d'enseignement

Présentiel

Crédits

3

Ce cours a pour objectif de présenter les techniques de base de l'apprentissage profond, notamment les réseaux de neurones, les réseaux de neurones à convolution et les réseaux de neurones récurrents. Nous couvrirons également les progrès récents sur les modèles génératifs profonds. Enfin, nous expliquerons comment appliquer ces techniques à la compréhension du langage et à l'analyse de graphes.

Thèmes couverts

Notions de base sur l'apprentissage automatique
Réseaux de neurones Feedforward et astuces d'optimisation
Réseaux de neurones convolutifs
Réseaux de neurones récurrents
Apprendre en profondeur pour comprendre le langage naturel
Apprendre en profondeur pour analyser des graphiques / réseaux
Modèles génératifs profonds

Remarques importantes

Cours en anglais : MATH 80648A Cours équivalent(s) : MATH 60630(A) ou MATH 80600(A)
Préalable(s) : MATH 60600(A) ou MATH 60629(A) ou MATH 80629(A) ou être admis au Doctorat (Ph. D.).

Voir la page web du cours
MATH 80627A

Complex Networks Analysis

Matière

Mathématiques

Programme

Doctorat

Lieu

Côte-des-Neiges

Mode d'enseignement

Présentiel

Crédits

3

Would it be from social networks (Facebook, Twitter for instance), or from their own data (such as email exchanges), organizations have access to important amounts of data. This data may be of specific nature, namely, instead of a description of each observation by characteristics, relations between observations may be known. Studying these relations involves specific techniques. The nature of the data «relations between objects » makes sampling a difficult task. For that reason, it is usually better to work on the whole dataset, which is challenging from the algorithmic point of view.

Thèmes couverts

Centrality analysis
Community detection
Network embeddings
Network descriptors
Distances in networks

Voir la page web du cours
MATH 70630

IA responsable

Matière

Mathématiques

Programme

Doctorat

Lieu

Côte-des-Neiges

Mode d'enseignement

Présentiel

Crédits

3

L'intelligence artificielle responsable (IAR) vise à garantir que la responsabilité socio-environnementale est une considération fondamentale à toutes les étapes du développement et de la gouvernance de l'IA. Ceci est nécessaire pour prévenir les préjudices et injustices, en orientant le développement de l'IA vers des avantages durables dans un monde interconnecté. L'IAR nécessite une synthèse réfléchie et pragmatique d'approches de différents domaines. L'objectif du cours est de fournir les outils qualitatifs, quantitatifs, critiques, réflexifs et pratiques pour combler le fossé entre théorie et pratique et rendre l'IA responsable une réalité. Le cours couvre des sujets tels que l'analyse des utilisateurs, la conception participative, les tests de signification, la généralisation, les essais de contrôle, les biais, l'interprétabilité, l'équité, la transparence, l'éthique, la robustesse, les consultations avec les parties prenantes, la gouvernance des données, le travail numérique, l'examen par les pairs, l'ingénierie de la fiabilité, la sécurité de l'information, la confidentialité, la vérification, l'audit, la reproductibilité, les tests et bacs à sable, la planification par scénarios, l'analyse des risques et l'analyse d'impact

Thèmes couverts

Concepts fondamentaux théories et pratiques du développement responsable de l'IA
Bases de l'apprentissage automatique nettoyage et visualisation des données généralisation test d'hypothèses signification statistique causalité
Équité responsabilisation transparence
Éthique sécurité et alignement robustesse agence
Analyse des risques et analyse d'impact ingénierie de la fiabilité durabilité
Gouvernance pouvoir justice travail numérique
Examen par les pairs et processus scientifique
Conception de l'expérience utilisateur informatique centrée sur l'humain
Open-source confidentialité sécurité de l'information

Remarques importantes

Cours en anglais : MATH 70630A Cours équivalent(s) : MATH 80630A Préalable(s) : MATH 60600(A), MATH 60603(A), MATH 60629(A)

Voir la page web du cours
MATH 70611

Méthodes avancées en exploitation de données

Matière

Mathématiques

Programme

Doctorat

Lieu

Côte-des-Neiges

Mode d'enseignement

Présentiel

Crédits

3

Les concepts théoriques et les idées à la base de ces méthodes seront discutés en détail. L'utilisation pratique de ces méthodes sera aussi traitée en utilisant des exemples provenant de plusieurs domaines de la gestion. À cette fin, le langage R sera l'outil de choix, car la plupart des méthodes récentes font leur apparition sous la forme de package R.

Thèmes couverts

Régularisation et sélection variable dans les modèles de régression.
Méthodes avancées basées sur les arbres et boosting.
Intervalles de prédiction.
Analyse de données fonctionnelles.
Analyse de données spatiales.

Remarques importantes

Cours en anglais : MATH 70611A Cours équivalent(s) : MATH 60611(A) ou MATH 80619(A)

Voir la page web du cours
MATH 80601

Modélisation bayésienne

Matière

Mathématiques

Programme

Doctorat

Mode d'enseignement

Présentiel

Crédits

3

Rappels mathématiques. Utilisation d'algorithmes d'échantillonnage et méthodes de Monte Carlo par chaînes de Markov, à l'aide de logiciels adéquats (par ex., OpenBugs, Stan, INLA). Méthodes d'approximations. Modèles hiérarchiques, en particulier les modèles latents gaussiens.

Thèmes couverts

Introduction au paradigme bayésien
Formulation comparaison et évaluation de modèles bayésiens
Algorithmes d'échantillonnage et méthodes de Monte Carlo par chaînes de Markov
Stratégies computationnelles pour l'inférence
Modèles multi-niveaux
Sujets avancés

Remarques importantes

Cours en anglais : MATH 80601A

Voir la page web du cours
MATH 80636A

Special Topics in Data Science

Matière

Mathématiques

Programme

Doctorat

Mode d'enseignement

Présentiel

Crédits

3

This course covers advanced topics in Data Science. This course is typically taught by a team of professors.

Voir la page web du cours
MATH 80621A

Survival and Longitudinal Data Analysis

Matière

Mathématiques

Programme

Doctorat

Lieu

Côte-des-Neiges

Mode d'enseignement

Présentiel

Crédits

3

The main characteristic of survival analysis and longitudinal studies is that subjects are followed over time, thereby allowing to study the evolution of some phenomenon of interest. This course will focus on the fundamental concepts for analyzing survival and correlated data and present statistical methods that account for the temporal dynamics, correlation and partial information they present. Throughout the course, methods will be illustrated using concrete examples drawn from several areas of management. Practical considerations will be emphasized so that the student can carry out a thorough analysis of survival and correlated data by the end of the course.

Thèmes couverts

1. Non-parametric survival analysis
2. Parametric models for survival analysis
3. Cox proportional hazards model and extensions
4. Recurrent events and correlated survival times
5. Linear models for longitudinal data: covariance structure and random effects
6. Generalized linear models for longitudinal data: covariance structure and random effects
7. Missing data

Voir la page web du cours

Dates limites de dépôt des demandes d’admission

Trimestre d’automne : au plus tard le 1^er mars
Trimestre d’hiver : au plus tard le 15 septembre
Trimestre d’été : aucune admission

Candidates et candidats de l'international

Ce programme est offert à temps partiel. Consultez notre article d’aide pour connaître les règles d’immigration à respecter.

Conditions et pièces requises

Conditions d’admissibilité

Diplôme requis

Vous devez être titulaire d'une maîtrise dans un domaine connexe au programme convoité ou d’un diplôme jugé équivalent par la direction du programme.

Moyenne minimale

Vous devez avoir obtenu une moyenne cumulative minimale de 3,0 sur 4,3.

Si l’université où vous avez complété votre maîtrise exige une moyenne plus élevée pour l’admission à un programme de 3^e cycle, c’est cette moyenne qui doit être prise en compte.

Exigences linguistiques

Vous devez avoir un niveau de langue intermédiaire-avancé en français ou en anglais.

Vous avez le niveau requis si vous répondez à l’un des critères qui attestent que vous êtes francophone ou anglophone en raison de votre scolarité.

Autrement, vous devez réussir l'un des tests ou programmes de frança is ou d’anglais avec le niveau avancé.

Pièces requises à l'admission

Vous aurez des documents à fournir dans le cadre du processus d'admission.

Consultez la liste des pièces

La capacité d’accueil de certains programmes est limitée. HEC Montréal ne s'engage pas à accepter toutes les candidatures admissibles.

Estimation des frais de scolarité

Les montants indiqués ci-dessous sont approximatifs. Les frais d’assurance, de matériels scolaires, d’hébergement ou autres ne sont pas inclus.

Chaque trimestre, vous recevrez une facture avec le montant exact que vous devrez payer selon le nombre de crédits inscrits.

Résidentes et résidents du Québec

Vous payez le tarif québécois si vous êtes résidente ou résident du Québec selon certains critères tels que la possession d’un certificat de naissance du Québec ou d’un certificat de sélection du Québec.

Coût du programme complet (9 crédits) : X XXX $

Vérifiez si vous répondez à l’un des critères de résidence du Québec.

Canadiennes et canadiens non-résidents du Québec

Vous payez le tarif canadien si vous êtes citoyenne ou citoyen de naissance ou naturalisé, autochtone, ou bien résidente ou résident permanent du Canada.

Coût du programme complet (9 crédits) : X XXX $

Vérifiez si vous pouvez bénéficier d’une exemption et payer le tarif québécois.