Version PDF

Programme(s) : 7694

Profils(s) : Tous profils

Afficher les préalables et les unités d'agrément

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Chakib Tadj

PLAN DE COURS

Hiver 2025
ELE767 : Apprentissage machine en intelligence artificielle (3 crédits)

Préalables

Unités d'agrément
Total d'unités d'agrément : 58,8

Qualités de l'ingénieur

Q10

Q11

Q12

Qualité visée dans ce cours

Qualité visée dans un autre cours

Indicateur enseigné

Indicateur évalué

Indicateur enseigné et évalué

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.

Horaire

Groupe	Jour	Heure	Activité
01	Mercredi	13:30 - 17:00	Activité de cours
	Jeudi	13:30 - 17:30	Laboratoire aux 2 semaines

Coordonnées du personnel enseignant le cours

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Chakib Tadj	Activité de cours	Chakib.Tadj@etsmtl.ca	A-2633
01	Chakib Tadj	Laboratoire aux 2 semaines	Chakib.Tadj@etsmtl.ca	A-2633

Cours

Date	Contenus traités dans le cours	Heures
	Introduction à l'intelligence artificielle et à l'apprentissage machine Différents domaines de l'intelligence artificielle. Principales méthodes de classification. Historique. École connexionniste et école symbolique. Représentation, emmagasinement et utilisation de la connaissance.	3 heures
	Réseaux neuroniques Modélisation d'un neurone. Champ récepteur. Fonctions d'activation. Apprentissage par modification des poids de connexion.	3 heures
	Le Perceptron Modèle et règle d'apprentissage. Classification par le Perceptron. Limitations.	3 heures
	Intra	3 heures
	Le réseau à rétro-propagation du gradient d'erreurs Modèle multicouches,rétro-propagation des erreurs et règle d'apprentissage. Principales applications. Amélioration des performances.	9 heures
	Modèles et applications industrielles des réseaux neuroniques artificiels Taxonomie. Modèles monocouches : Hopfield, mémoire associative, machine de Boltzmann et Kohonen. Modèles multicouches : BAM, ART et Neocognitron. apprentissage profond, réseaux de neurones convolutifs, récurrents et autoencodeurs. Survol des applications.	9 heures
	Arbres de décision Introduction aux arbres de décision Construction de l’arbre Caractéristiques Apprentissage et forêts aléatoires Applications	3 heures
	Réseaux Baysiens Définition, Théorème de Bayes Probabilités conditionnelles, conjointes, marginales, Indépendance conditionnelle Apprentissage Bayésien Réseaux Bayésiens Quelques exemples	3 heures
	Apprentissage markovien Paramétrisation et stationnarité Modèles de Markov, Baum-Welch Re-Estimation, Algorithme de Viterbi Autres approches Applications	3 heures
	Total	39

Laboratoires et travaux pratiques

Date	Description	Heures
	Réseau multicouche à rétro-propagation des erreurs. Entraînement et utilisation d'un réseau d'extraction de caractéristiques et de classification	12 heures
	Environnement de programmation Colaboratory Détection de pathologies en utilisant des signaux acoustiques	8 heures
	Apprentissage automatique avec arbres de décision et forêts a léatoires Choisissez votre application, relevez votre défi !	4 heures
	Total	24

Utilisation d'outils d'ingénierie

Indissociable du cours et du laboratoire. Utilisation d'un des compilateurs disponibles dans le local de laboratoire.

Utilisation d'un des compilateurs disponibles en accès libre pour le cours à distance.

Évaluation

Description	Pondération
Examen intra (date peut être déplacée, selon le début de la session)	25 %
Examen final	25 %
Laboratoires	40 %
Synthèse de littérature	10 %

* La date de l’examen mi-session peut-être modifiée sur un préavis de deux (2) semaines.

Dates des examens intra

Groupe(s)	Date
1	19 février 2025

Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : https://www.etsmtl.ca/programmes-et-formations/horaire-des-examens-finaux

Politique de retard des travaux
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.

Dispositions additionnelles

Aucun retard sans motif raisonnable n'est accepté.

Absence à une évaluation

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).

Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignante ou l’enseignant du cours.

Documentation obligatoire

Aucune.

Ouvrages de références

Suggérées

Ian Goodfellow and Yoshua Bengio and Aaron Courville, "Deep Learning", MIT Press book, 2016.

Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=9234

Autres informations

Expérience en informatique

L'étudiant(e) se familiarise avec des outils utilisés en intelligence artificielle. D'une part, l'étudiant(e) utilisera un simulateur pour modéliser un réseau neuronique avec différents paramètres. D'autre part, l'étudiant(e) apprendra à concevoir des modèles de classification, d'identification et d'aide à la décision.