Un cours magistral d’une durée de trois (3) heures aura lieu une fois par semaine pendant treize (13) semaines. La partie A du cours portera sur les concepts fondamentaux de l’apprentissage machine et des réseaux de neurones artificiels, en particulier les réseaux multicouches sans rétroaction (Multi-Layer Perceptron, MLP), les réseaux profonds (Deep Neural Network, DNN), les réseaux convolutifs (Convolutional Neural Network, CNN), les mécanismes d’attention et les transformateurs. La partie B portera sur les modèles conventionnels et profonds pour l'apprentissage non-supervisé, faiblement supervisé (incluant l’apprentissage semi-supervisé et par instances multiples), et l’adaptation au domaine. La fin du cours (partie C) sera consacrée à des sujets avancés, tels que les modèles génératifs et les techniques d’optimisation évolutionnaire. Plusieurs applications et technologies seront présentées à travers des études de cas en reconnaissance visuelle (e.g., détection, classification et segmentation d’images). Enfin, la treizième semaine sera consacrée à la présentation orale des projets de session par les étudiants.
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 la littérature servira de véhicule pour approfondir les connaissances sur des modèles neuroniques, flous et évolutionnaires pour le traitement de l’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 la littérature et une étude expérimentale), et une présentation orale du projet de session par tous les étudiants.