McGill University reviews

Teachers: All around not bad, some care a lot and will make themselves available to help out with any questions or problems. Some however are just there for the research and won’t exactly make themselves available whatsoever.
Students: All around great student life, most students are nice people and make the school what it is.
Courses: Most courses are taught very well and content wise are filled up with useful information.
Campus: The main campus is beautiful year round and is ver accessible and easy to understand.
Student life: Student life all around is great, 1st years live together and make friends there, or outside through clubs or sports, which are all also very well organized. 
Services: Career office can be helpful as long as you reach out and build connections with the employees in the office

Mes principales connaissances acquises durant cette formation sont :
• La science des données pour les décisions d'affaires : générez des informations sur les données et améliorez les processus en tirant parti d'outils tels qu'Alteryx et Tableau.
• Statistique pour l’apprentissage automatique : Exposer les dimensions théoriques de l'apprentissage automatique conventionnel et examiner comment il s'applique aux problèmes des entreprises. Cela comprend, mais sans s'y limiter : la régression, la classification, les méthodes d'évaluation et de rééchantillonnage de modèles, la sélection de modèles et de variables, la réduction de dimension, les splines de lissage.
• Pratique de l’apprentissage automatique : un guide sur l'apprentissage profond et les réseaux de neurones dans différentes applications, y compris le traitement d'images, l'exploration de texte, les séries chronologiques, la détection d'anomalies, l'apprentissage par renforcement. Cela inclut, mais sans s'y limiter : Un réseau de neurones résiduels (ResNet), LSTM, CNN, Auto-Encoder, BERT et Transformer, astuces pour améliorer les performances. Mise en production avec GCP et TensorFlow.
• Données à l’échelle : expérience pratique de l'ingestion de données à l'analyse de grands ensembles de données (non structurées et structurées), à la fois hors ligne et en continu. Cela comprend: Hadoop, Spark, Hive, Pig, Sqoop, Nifi, HBase, Kafka, Flume, Solr.
• Projet Capstone: Mise en pratique des compétences acquises durant le programme par l’entremise d’un projet pratique (prédire le risque d’incendie dans la ville de Montréal). Préparation, analyse, visualisation des données, élaboration d’un modèle et présentation des recommandations découlant de l’analyse.