Contenu

Cours

Le plan de cours prévu se veut complet et ordonnancé chronologiquement, mais certaines modifications peuvent être apportées en cours de session.

Cours et date	Description
S1: 5 Septembre	Introduction à l’Apprentissage Machine Prérequis Organisation du cours Contexte historique Applications
S2: 12 Septembre	Méthodes d’apprentissage Tâches d'apprentissage Types de supervision Fonction de coût Optimisation
S3: 19 Septembre	Réseaux Neuronaux Architecture d’une neurone Réseaux multicouches Rétropropagation
S4: 26 Septembre	Propositions de Projets
S5: 3 Octobre	Entraînement I Gradient stochastique Momentum ADAM, etc.. À remettre: Proposition de projet
S6: 17 Octobre	Entraînement II Régularisation: L1,L2,Dropout... Normalisation du lot (batch normalization) Augmentation des données
S7: 24 Octobre	Réseaux Convolutifs Convolution Pooling Architectures
S8: 31 Octobre	Réseaux récurrents et transformer Réseau récurrent basique LSTM et autres Transformer À remettre: Synthèse de la littérature
S9: 7 Novembre	Détection d’objets et segmentation d’images La famille R-CNN Modèles de segmentation
S10: 14 Novembre	Réduction de la complexité Quantification Réduction de paramètres Régularisation (Sparseness inducing)
S11: 21 Novembre	Modélisation générative Auto-encodeurs Pixel RNN et CNN Réseaux adversaires génératifs
S12: 28 Novembre	Apprentissage par renforcement Introduction Q-learning Policy gradients Acteur-critique
S13: 5 Décembre	Présentation des projets
Période d’examens: Présentation des projets À remettre: étude expérimentale

Laboratoires et travaux pratiques

Dans le cours les étudiants devront développer un projet sur l'étude ou l'évaluation de techniques d'apprentissage machine.

L'évaluation sera effectuée pendant le cours avec 2 présentations orales et 3 remises de travail.

Proposition de projet:

Chaque étudiant devra présenter sa proposition de projet. Avec les commentaires du professeur et des autres étudiants, chaque étudiant devra ainsi préparer une proposition de projet.

Synthèse de la littérature:

Chaque étudiant devra remettre une synthèse de la littérature pertinente au projet.

Étude expérimentale:

Chaque étudiant devra présenter une étude expérimentale développée pendant le cours, avec une évaluation d'une ou plusieurs méthodes d'apprentissage machine. Il aura aussi une remise des résultats de l'étude expérimentale.