Le plan de cours prévu se veut complet et ordonnancé chronologiquement, mais certaines modifications peuvent être apportées en cours de session.
|
Semaines
|
Description
(Voir les lectures sur le site de cours)
|
Heures
|
|
1
2 septembre
|
Organisation du cours
- Présentation personnelle
- Plan détaillé du cours
Introduction à l’intelligence artificielle
- Historique et applications
- Définitions
- Problèmes de classification, régression et catégorisation
- Apprentissage supervisé et non-supervisé
- Exemples de système
|
3
|
|
2
9 septembre
|
A. Methodologie expérimentale
- Complexité des modèles et sur-apprentissage
- Protocoles de validation croisée pour la validation
- Mesures de performances: matrice de confusion, précision, courbes ROC/PR, complexité
- Prétraitement de données: normalisation, decorrélation, sélection de caractéristiques
|
3
|
|
3
16 septembre
4
23 septembre
5
30 septembre
|
B. Methodes de classification
B.1 Perceptron et apprentissage
- Modèles de neurones biologiques et neurones artificiels
- Apprentissage: algorithme du gradient
- Limites: problème du XOR
B.2 : Réseaux de neurones multicouches
- Algorithme de rétro-propagation
- Fonctions de coût
B.3 Apprentissage profond
- Régularisation: sur-apprentissage et sous-apprentissage
- Stratégies d'entrainement : gradient stochastique, initialisation, moment, augmentations, paufinement
- Apprentissage profond: auto-encodeurs, réseaux convolutifs, vision par ordinateur
|
3
3
3
|
|
6
7 octobre
8
21 octobre
|
B.4 SVM et méthodes à noyaux
- Classification linéaire
- Machines à vecteurs de support (SVM)
- Astuce du noyau
- Réseaux de neurones à base radiale (RBF)
- Algorithme des K-moyennes
|
3
3
|
|
7
14 octobre
|
Examen de mi-session
|
3
|
|
9
28 octobre
|
B.5 Classification statistiques et autres
- Classificateur Bayésiens
- Algorithmes k-plus-proches-voisins (k-NN)
- Régression logistique
- Arbres décisionnels
|
3
|
|
10
11 novembre
11
18 novembre
12
25 novembre
|
C.Analyse et representation de données
C.1 Approches de catégorisation statistiques
- Algorithme statistique k-means et k-modes
- Mélanges de Gaussiennes
-
- Algorithme basée sur des matrices d'affinité : spectral
C.2 Techniques de représentation de l'information
- Analyse en Composante Principale (PCA)
- Analyse Discriminante Linéaire (LDA)
- Apprentissage de caractéristiques : auto-encoders, modélisation parsemé
Révision du cours
|
3
3
3
|
|
13
2 décembre
|
Présentation orale des projets de session
|
3
|
|
Total
|
39
|