Semaine

(date)

Description

(voir les lectures sur le site de cours)

1

(5 janvier)

Organisation du cours :

• présentation personnelle
• plan détaillé du cours

Introduction à l’intelligence artificielle :

• historique et applications
• problèmes de classification, régression et catégorisation
• réseaux de neurones vs système flous

2

(12 janvier)

3.

(19 janvier)

4.

(26 janvier)

5.

(2 février)

6.

(9 février)

7.

(16 février)

A. Réseaux de neurones artificiels:

A.1 Introduction:

• neurones biologiques et artificiels
• principaux modèles de réseaux de neurones artificiels
• les traitements effectués par les réseaux de neurones
• règles apprentissage et adaptation

A.2 Classifieur de type perceptron monocouche:

• approche paramétrique vs non paramétrique
• modèles de classification, caractéristiques et régions de décision
• fonctions discriminantes
• classifieur à distance minimum et du plus proche voisin (k-NN)
• le perceptron discret: algorithme d'apprentissage et exemple de classification pour R=2 classes
• le perceptron continu appliqué à la classification d'observations linéairement séparables pour R=2 classes
• le réseau de neurones de type perceptron monocouche: problèmes de classification à R=N classes

Livrable : Proposition de projet

A.3 Réseaux de neurones multicouches sans rétroaction (MLP):

• classification d'objets linéairement non-séparables
• règle d'apprentissage delta pour une couche de perceptrons
• règle d'apprentissage delta généralisée
• entraînement par la rétro-propagation des erreurs
• stratégies et facteurs d'apprentissage
• applications et limitations

A.4 Apprentissage profond (DL): 

• motivation et défis des réseaux de neurones profonds (DNN)
• apprentissage non-supervisé de représentations
• modèles auto-encodeurs
• réseaux de neurones convolutifs (CNN)
• stratégies d’entrainement des réseaux profonds
• réseaux récurrents (RNN)
• réseaux adverses génératifs (GAN)

Quiz A

8.

(23 février)

Congé relâche

9.

(2 mars)

B. Systèmes flous:

• définitions et opérations sur les sous-ensembles flous
• les a-coupes associées à un sous-ensemble flou
• produit cartésien de sous-ensembles flous
• principe d'extension
• normes et co-normes triangulaires
• principes généraux pour la conception d’un moteur d’inférence flou

Livrable : Rapport 1 (synthèse de littérature)

10.

(9 mars)

11.

(16 mars)

12.

(23 mars)

C. Reconnaissance avec Données partiellement annotées :

C.1 Apprentissage non-supervisé et catégorisation:

• algorithme statistique k-means
• mélanges de Gaussiennes (GMM)
• réseaux de neurones auto-organisateurs : compétitifs, ART  et SOM
• algorithme fuzzy C-means
• catégorisation à noyaux et spectrale
• modèles profonds pour la catégorisation

C2. Apprentissage faiblement supervisé

• taxonomie des approches
• apprentissage semi-supervisé
• apprentissage par instances multiples
• modèles profonds

C.3 Adaptation domaine: 

• adaptation supervisé par transfert
• décalage des représentations entre domaines
• adaptation non-supervisé au domaine    
• modèles profonds

Quiz B

13.

(30 mars)

D. Méta heuristique et optimisation évolutionnaire:

• algorithmes génétiques
• optimisation  par essaims particulaires
• optimisation avec multiples critères
• techniques d'optimisation évolutionnaires appliquées aux systèmes   neuronales et flous
• optimisation conjoint des paramètres de classifieurs

14.

(6 et 13 avril)

Présentation orale des projets de session