Introduction (4 heures)

• Définition de l’apprentissage machine. Conception d'un système intelligent. Exemples d’applications. Étude de cas. Types d'apprentissage. Méthodes d'évaluation de performance.

Préparation de données et extraction de primitives (3 heures)

• Définition et types de variables. Pré-traitement de données. Exemples d'applications sur vidéo, images et audio.

Arbres de décision (3 heures) 

• Arbres de classification. Arbres de régression. Élagage. Apprentissage de règles à partir de données. Extraction de règles à partir des arbres.

Apprentissage bayésien (3 heures)

• Classification bayésienne. Pertes et risques. Fonctions discriminantes. Valeur de l’information. Classifieur optimal de Bayes. Classifieur naïf de Bayes.

Méthodes paramétriques (6 heures)

• Estimation à maximum de vraisemblance. Estimateur bayésien. Évaluation du biais et de la variance. Classification paramétrique. Méthodes à plusieurs variables. Données à plusieurs variables. Estimation des paramètres. Estimation des valeurs manquantes. Classification multivariables.

Méthodes non-paramétriques (3 heures)

• Estimation de densité non-paramétrique. Estimation par histogrammes. Estimation de noyaux. K-plus proche voisin.

Réseaux neuronaux (3 heures)

• Perceptron. Fonctions d’apprentissage booléennes. Perceptron multicouches. Algorithme de propagation rétroactive. Procédure d’entraînement.

Machines à vecteur de support (4 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 et rejet (4 heures)

• Génération de modèles d'apprentissage. Combinaison d'experts. Combinaison à plusieurs étages. Système de vote. Importance du rejet. Règle idéale. Concept de rejet. Critères de rejet.

Réduction de la dimensionnalité (3 heures)

• Sélection d’un sous-ensemble. Analyse des composantes principales (PCA). Analyse des facteurs. Mise à l’échelle en multidimension. Analyse discriminante linéaire (LDA).

Regroupement (3 heures)

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

Les laboratoires sont essentiels à la compréhension de la matière. Ils permettent à l’étudiant(e) de mettre en pratique la matière vue en classe.

Laboratoire 0: Introduction à Python

• Ce premier laboratoire servira à faire une démonstration des outils et une introduction à la langage de programmation Python.
• Logiciels : Python, OpenCV et scikit-learn.
• Durée : une (1) séance.
• Pondération : 4 % de la note finale

Laboratoire 1: Préparation de données et extraction de primitives

• Ce laboratoire servira à faire une démonstration d'extraction de simples primitives d'un problème de classification d'images.
• Logiciels: Python, OpenCV et scikit-learn.
• Durée : deux (2) séances.
• Pondération : 6 % de la note finale

Laboratoire 2 : Algorithmes d'apprentissage 

• Ce laboratoire servira à faire un travail pratique d’apprentissage machine, en particulier avec les algorithmes d'arbres de décision, d’apprentissage bayésien et d’apprentissage k-PPV.
• Logiciels: Python et scikit-learn.
• Durée : trois (3) séances.
• Pondération : 6 % de la note finale

Laboratoire 3 : Reséaux neuronaux et machines à vecteur de support

• Ce laboratoire servira à faire un travail pratique d’apprentissage du perceptron et de reseaux multicouches ainsi que des machines à vecteurs de support.
• Logiciels: Python, scikit-learn et TensorFlow.
• Durée : trois (3) séances.
• Pondération : 8 % de la note finale

Laboratoire 4 : Développement d’un système intelligent

Ces derniers laboratoires portent sur le développement d'un système intelligent pour un problème complexe proposé par l'enseignant. Toutes les étapes de conception d'un tel système seront réalisées: analyse des données, sélection du modèle, implémentation et validation. L'évaluation de ce laboratoire sera basée sur la qualité de la conception de même que la performance du système sur des données de validation.

• Durée : trois (3) séances.
• Pondération : 16 % de la note finale.

n/a