Introduire les notions fondamentales des réseaux de neurones artificiels, et présenter les principaux modèles de façon à ce qu’on puisse en analyser les avantages et les limitations pour une application donnée.

Un cours magistral d’une durée de trois (3) heures aura lieu une fois par semaine, pendant une période de treize (13) semaines. La partie A du cours portera sur les concepts fondamentaux de l’apprentissage machine, incluant la régression, les neurones artificiels, les réseaux multicouches (MLP), et les mécanismes de régularisation. Ensuite, nous explorerons les réseaux de neurones convolutifs (CNN) pour les images, ainsi que les réseaux pour les séquences, incluant les mécanismes d’attention et les transformers. La partie B sera dédiée à des sujets avancés tels que les modèles génératifs (VAEs et GANs), la compréhension visuelle (détection et segmentation d’images), et les approches pour réduire la supervision, comme l’adaptation de domaine. En fin de session, les étudiants présenteront leurs projets dans le cadre de présentations orales.

Un projet de session portera obligatoirement sur un aspect spécifique de la matière présentée au cours.  Ce projet d'envergure va prendre la forme d'une étude comparative de différentes techniques, de préférence pour une application liée au domaine de recherche de l'étudiant(e).  Dans un premier temps, une synthèse de littérature servira de véhicule pour approfondir les connaissances sur des modèles neuroniques, flous et évolutionnaires pour le traitement d’information. Dans un deuxième temps, une étude expérimentale permettra d’évaluer et de comparer les performances de ces algorithmes avec une base de données conséquente.  Les exigences pédagogiques résident dans deux quiz, la rédaction de deux rapports techniques (une synthèse de littérature et une étude expérimentale), et d’une présentation orale du projet de session par tous les étudiants.

Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

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).

Les notes de cours péparées par le professeur et les références pertinentes seront disponibles sur le site Internet du cours.

Références optionnelles

[1] Understanding Deep Learning by Simon J.D. Prince, MIT Press 2023

     Disponible en ligne par l'auteur :  https://udlbook.github.io/udlbook/

[2] Probabilistic Machine Learning: An Introduction by Kevin Patrick Murphy, MIT Press, 2022.

     Disponible en ligne par l'auteur : https://probml.github.io/pml-book/book1.html

[3] The Science of Deep Learning by IDDO DRORI, Cambridge University Press 2023

[4] Deep Learning: Foundations and Concepts by Christopher M. Bishop, Springer 2024

[5] Pattern Recognition and Machine Learning by Christopher M. Bishop, Springer 2006

 Disponible en ligne par l'auteur : https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf 

[6]  Introduction to Probability, 2nd Edition by Dimitri P. Bertsekas and John N. Tsitsiklis, Athena Scientific, 2007

[7] SYS843 Réseaux de neurones et systèmes flous, Notes de cours, vol 1, Réseaux de neurones, Robert Sabourin, Rév1, 2000.

https://ena.etsmtl.ca

Mohammadhadi (Hadi) Shateri

Local:  A-3635

Disponibilité: sur rendez-vous, par courriel (mohammadhadi.shateri@etsmtl.ca)