Logo ÉTS
Session
Cours
Responsable(s) Chakib Tadj

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement


Préalables

Programme(s) : 7694
             
  Profils(s) : Tous profils  
             
    ELE216    
             

Unités d’agrément

66,7 % 33,3 %
Total d'unités d'agrément : 58,8

Qualités de l’ingénieur

 
Q1
i3
Q2
i3

Q3

Q4

Q5
Q6
i1
Q7
i1

Q8

Q9

Q10

Q11

Q12
Qn
 Qualité visée dans ce cours  
Qn
   Qualité visée dans un autre cours  
  Indicateur enseigné
  Indicateur évalué
  Indicateur enseigné et évalué

- Survolez les icones pour voir le nom de chaque qualité.
- Cliquez sur les icones pour voir la description.

Descriptif du cours

Au terme de ce cours, l’étudiante ou l'étudiant aura été initié au domaine de l'intelligence artificielle par le biais de concepts fondamentaux en apprentissage automatique. Réseaux neuroniques. Modélisation d'un neurone. Règles d'apprentissage. Principaux modèles de réseaux neuroniques : perceptron, rétropropagation d'erreur, modèle de Hopfield, machine de Boltzmann et modèle ART. Apprentissage profond. Réseaux de neurones convolutifs, récurrents et autoencodeurs. Machines à vecteurs de support, Approche de maximum de vraisemblance. Modèles probabilistes et stochastiques : réseaux bayésiens, modèles de Markov cachés. Raisonnement par cas. Applications à la conception et l’implantation des systèmes intelligents, à la classification, à la vision par ordinateur, à la détection de pannes, au diagnostic médical et à la thérapie.

Séances de laboratoire sur ordinateur axées sur la simulation des principaux modèles de réseaux neuroniques et sur les techniques d'apprentissage. La connaissance d’un langage de programmation est requise.





Objectifs du cours

À la fin de ce cours, l'étudiant(e) devrait posséder les connaissances suivantes :

  • identifier, décrire et utiliser les principaux modèles de réseaux neuroniques artificiels ;
  • quelques modèles probabilistes et stochastiques ;
  • arbres de décision ;
  • raisonnement par cas ;
  • mettre au point des simulations simples de systèmes de classification, de reconnaissance de la parole, de vision artificielle, etc.

Stratégies pédagogiques

Cours magistraux : trois (3) heures/semaine

Laboratoires : deux (2) heures/semaine


Utilisation d’appareils électroniques

Ordinateurs dans le local de laboratoire.

Ordinateur personnel pour le cours à distance.


Coordonnées du personnel enseignant le cours

* Double-cliquez sur le champ pour modifier le contenu