39    heures de cours magistral (enseignement théorique)

26    heures de laboratoire

  3    heures de travail personnel (en moyenne) par semaine

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h par semaine et à des séances de laboratoire (2 h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles d'apprentissage profond appliqués à des problèmes en reconnaissance visuelle et géneration du texte.

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

QUIPEMENTS UTILISÉS AU LABORATOIRE :

• PCs
• Logiciels de simulation de réseaux de neurones : python, scikit-learn, jax et pytorch

Aucun retard ne sera permis pour la remise des travaux. Une pénalité de 10% par jour ouvrable sera imposée. Les règlements concernant le plagiat, tentative de plagiat et situations connexes seront appliquées.

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).

Aucune.

• I. Goodfellow, Y. Bengio, A. Courville. Deep Learning , MIT Press, http://www.deeplearningbook.org.
• Simon J.D. Prince, Understanding Deep Learning, MIT Press, https://udlbook.github.io/udlbook/.
• Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J., Dive into Deep Learning, Cambridge University Press, https://D2L.ai.
• C. M. Bishop.  Pattern Recognition and Machine Learning , Springer.
• R. S. Sutton, A. G. Barto.  Reinforcement Learning: An Introduction, MIT Press.

• Documentation python: https://docs.python.org/3/
• Scikit-learn: https://scikit-learn.org/
• Jax: https://jax.readthedocs.io/
• PyTorch: https://pytorch.org/ et sa documentation https://pytorch.org/docs/stable/index.html#
• Site Internet du cours: https://ena.etsmtl.ca

Pour tout type de probleme envoier un courriel à l'ensegnant ou au chargé de laboratoire.

L'objet du courriel doit toujours commencer par "GPA-710".

Marco Pedersoli (ensegnant)

email: marco.pedersoli@etsmtl.ca

David Latortue (chargé de laboratoire)

email: david.latortue.1@ens.etsmtl.ca