• Compréhension approfondie des algorithmes fondamentaux d'apprentissage machine: Les étudiants devraient être capables d'expliquer et de mettre en œuvre des algorithmes tels que les paramétriques et non-paramétriques, la régression linéaire, la régression logistique, les machines à vecteurs de support, les réseaux de neurones et les techniques de regroupement.
• Introduction à l'apprentissage profond: Les étudiants devraient avoir une compréhension de base des réseaux de neurones profonds, des réseaux de neurones convolutifs, des réseaux de neurones récurrents, transformers et de leurs applications.
• Connaissance de la théorie de l'apprentissage statistique: Les étudiants devraient comprendre des concepts tels que le compromis biais-variance, le sur-apprentissage, le sous-apprentissage, les techniques de régularisation et les métriques d'évaluation de modèles.
• Familiarité avec les techniques d'optimisation: Les étudiants devraient être capables d'appliquer des algorithmes d'optimisation tels que la descente de gradient et la descente de gradient stochastique pour entraîner des modèles de machine learning.
• Capacité à appliquer les techniques d'apprentissage machine à des problèmes réels: Les étudiants devraient être capables d'identifier des algorithmes de machine learning appropriés pour diverses tâches, de prétraiter les données, d'entraîner des modèles et d'évaluer leurs performances.
• Expérience pratique avec les outils et les bibliothèques d'apprentissage machine: Les étudiants devraient être compétents dans l'utilisation de bibliothèques d'apprentissage machine telles que scikit-learn, TensorFlow et PyTorch.

• 3,5 heures de cours et 2 heures de laboratoire par semaine. Toutes les notes de cours seront disponibles à l’étudiant(e) sous format électronique dans Moodle;
• Les laboratoires visent l'assimilation des notions vues au cours, la mise au point des travaux et la conception des modèles d'apprentissage machine pour les tâches de classification et régression.

Concepts fondamentaux (3 heures)

• Types d'apprentissage. Régularisation. Sélection de modèles. Conception d'un système intelligent. Exemples d’applications. Étude de cas. Méthodes d'évaluation de performance.

Préparation de données et extraction de primitives (3 heures)

• Le spectre de la structure. Types de variables. Préparation de données. Traitement par lots et ETL. Normalisation. Extraction de primitives. Apprentissage de la représentation. Encodage One-Hot. Exemples d'applications sur vidéo, images et audio.

Réduction de la dimensionnalité (3 heures)

• Sélection de sous-ensembles. Analyse des composantes principales (PCA). Analyse discriminante linéaire (LDA).

Théorie de la décision de Bayes et méthodes paramétriques (3 heures)

• Classification bayésienne. Pertes et risques. Fonctions discriminantes. Valeur de l’information. Classificateur optimal de Bayes. Estimation à maximum de vraisemblance. Biais et variance. Classification et régression paramétrique. Méthodes à plusieurs variables. Données à plusieurs variables. Estimation des paramètres. Classification et régression multivariée.

Méthodes non-paramétriques (3 heures)

• Estimation de densité non paramétrique. Estimation par histogrammes. Estimation de noyaux. Estimation par k-plus
  proche voisins.

Modèles discriminatifs linéaires (3 heures) 

• Modèle linéaire. Géométrie. Descente du gradient. Discrimination logistique.

Réseaux de neurones profonds (3 heures)

• Perceptron multicouches. Algorithme de propagation rétroactive. Procédure d’entraînement. Réseaux profonds. Apprentissage de représentations. Réseaux convolutifs. Réseaux récurrents et récursifs. Autoencodeurs.

Réseaux de neurones convolutifs (3 heures)

• Neurone à convolution. Couche de regroupement. Réseaux convolutifs. Régularisation de réseaux. Réseaux récurrents et récursifs. Autoencodeurs.

Transformers (3 heures)

• Modèles séquence-à-séquence. Mechanisms d'auto-attention. Encodage positionnel. Structure encodeur-décodeur. Modèles basés sur les transformers.

Machines à vecteurs de support (3 heures)

• Hyperplan séparateur et marge maximale. Astuce du noyau. Classification par SVM. Régression par SVM. SVM à une classe. SVM multi-classe.

Combinaison de modèles d'apprentissage (3 heures)

• Génération de modèles d'apprentissage. Combinaison d'experts. Combinaison à plusieurs étages. Système de vote.

Regroupement (3 heures)

• Introduction. Mélange de densités. Regroupement k-moyennes. Algorithme de maximisation de l’espérance. Algorithmes hiérarchiques.

n/a

À noter qu'une moyenne inférieure à 50% à l'ensemble des examens intra et final entraine automatiquement un échec au cours.

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

• Alpaydin, Ethem. 2014. Introduction to machine learning, 3rd edition. Coll. « Adaptive computation and machine learning ». Cambridge, Mass.: MIT Press.

• Vous avez accès au document électronique complet à partir de books24x7.

• I. Goodfellow, Y. Bengio et A. Courville. 2016. Deep Learning. MIT Press. Available at http://www.deeplearningbook.org 

• Mitchell, Tom M. 1997. Machine Learning. New York: McGraw-Hill, 414 p.

• Duda, Richard O., Peter E. Hart et David G. Stork. 2001. Pattern classification, 2nd ed. New York ; Toronto: John Wiley & Sons, 654 p.

• Bishop, Christopher M. 2006. Pattern recognition and machine learning. New York: Springer, 738 p.

• Theodoridis, Sergios, et Konstantinos Koutroumbas. 2009. Pattern recognition, 4th Edition. Burlington, Mass.: Academic Press.

• Vous avez accès au document électronique complet à partir de books24x7.

Moodle GTI771  – https://ena.etsmtl.ca/course/view.php?id=24219