Logo ÉTS
Session
Cours
Responsable(s) Richard Lepage

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Richard Lepage


PLAN DE COURS

Automne 2014
GPA759 : Réseaux de neurones et intelligence artificielle (3 crédits)





Préalables
Aucun préalable requis
Unités d'agrément
Total d'unités d'agrément : 64,8 33,3 % 66,7 %




Qualités de l'ingénieur

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



Descriptif du cours
À la fin de ce cours, l’étudiant sera en mesure de : définir le domaine de l’intelligence artificielle et particulièrement les réseaux de neurones; résoudre des problèmes d’ingénierie à l’aide des réseaux de neurones.

Intelligence artificielle : définition, caractéristiques et architecture de base, représentation des connaissances, mécanismes d'inférence, raisonnement avec incertitude, stratégies de contrôle et méthodologie de construction. Réseaux de neurones : définition, caractéristiques, fondements biologiques, structure et fonctionnement de base, méthodologie de construction et présentation des principaux modèles. Les modèles sont présentés dans un contexte de système de reconnaissance de forme.

Séances de laboratoire : analyser le comportement des réseaux de neurones; réaliser et appliquer les réseaux de neurones pour fin de reconnaissance de forme.



Objectifs du cours

Le principal objectif de ce cours est d’identifier, de décrire et d’utiliser les principaux modèles de réseaux de neurones artificiels.

OBJECTIFS SPÉCIFIQUES

  • Choisir un modèle approprié afin de résoudre un problème formulé en termes connexionnistes;
  • Mettre au point des simulations simples de systèmes de classification et d’extraction de descripteurs;
  • Identifier et décrire les principales caractéristiques et les principes de base de l’intelligence artificielle;
  • Décrire les différentes formes de représentation des connaissances et les principes de l'apprentissage automatique;
  • Définir les composantes d’un système expert et d’un système à base de connaissances

 

 




Stratégies pédagogiques

39    heures de cours magistral (enseignement théorique)

36    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 3h30 par semaine et à des séances de laboratoire (3 h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles de réseaux de neurones appliqués à des problèmes de classification et d’extraction de descripteurs visuels.

 




Utilisation d’appareils électroniques

Ne s'applique pas.




Horaire
Groupe Jour Heure Activité
01 Lundi 13:30 - 16:30 Laboratoire
Mercredi 13:30 - 17:00 Activité de cours



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Richard Lepage Activité de cours Richard.Lepage@etsmtl.ca A-3738 le lundi et le mardi, avec demande de rencontre par courriel
01 David Dubois Laboratoire david.dubois.1@ens.etsmtl.ca



Cours

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

 

COURS

ACTIVITÉS DES COURS

1

 

Introduction à l’intelligence artificielle

  • Aperçu général de l’IA
  • Historique

 

2

 

Le neurone artificiel

  • Paramètres du neurone : fonction d’activation, de sortie, d’apprentissage
  • Réseaux de neurones
  • Taxonomie des principaux modèles
  • Simulateurs

 

 

 

 

 

3

 

Domaines d’application

  • Principaux domaines : classification, regroupement, association, approximation, prédiction

Reconnaissance de forme

  • Extraction des primitives
  • Base d’apprentissage
  • Classification

Perceptron de Rosenblatt

  • Séparateur linéaire adaptatif
  • Neurone de McCulloch & Pitts
  • Perceptron de Rosenblatt
    Adaline et Madaline de Widrow

 

4

 

Perceptron multicouche

  • Gradient de l’erreur
  • Modèle à rétro propagation du gradient d’erreur
  • Limitations et améliorations
  • Applications

5

 

Applications du perceptron multicouche

 

 

6

 

Méthodes à noyaux

  • Réseaux à base radiale
  • Séparation linéaire par projection dans un espace à dimension élevée
  • Machines à vecteurs supports (SVM)
  • Applications

 

 

 

7

 

Mémoires associatives

  • Types de mémoire associative
  • Apprentissage hebbien par corrélation
  • Formes d’entrée orthogonales
  • Formes d’entrée linéairement indépendantes
  • Vecteurs propres et valeurs propres de la matrice de corrélation
  • Capacité de stockage

 

COURS

ACTIVITÉS DES COURS

 

8

 

Réseaux récurrents

  • Réseau de Hopfield
  • Activation asynchrone
  • Minimisation de l’énergie du système
  • Recuit simulé
  • Machine de Boltzmann

9

 

EXAMEN DE MI-SESSION

 

10

 

Réseaux résonants ART

  • Couche de compétition
  • Modèle générique ART1
  • Apprentissage
  • Modèles ART2 et ARTMAP

 

11

 

Réseaux de neurones compétitifs

  • Réseaux de compétition linéaires
  • Analyse par composantes principales : réseaux d’Oja et de Sanger
  • Réseaux de quantification vectorielle
  • Cartes topologiques de Kohonen

 

12

 

Apprentissage automatique

  • Types d’apprentissage
  • Constitution des bases de données : apprentissage, vérification et test
  • Arrêt de l’apprentissage
  • Classification multiple
  • Performance : courbes ROC

 

13

 

Introduction aux systèmes experts

  • Définition et historique
  • Types de systèmes experts
  • Domaines d’application
  • Architecture de base
  • Fonctionnement

 




Laboratoires et travaux pratiques

DATE

ACTIVITÉS DES LABORATOIRES

 

Labo 1- Le perceptron de Rosenblatt

 

 

Labo 2 – Extraction des primitives d’une image par apprentissage supervisé

         Base d’apprentissage

         Apprentissage

         Généralisation

 

 

 

 

Labo 3 : Réseau de Hopfield discret

 

 

Labo 4 : Réseau ART discret

 

 

 

Labo 5 : Réseau SOM de Kohonen




Utilisation d'outils d'ingénierie

ÉQUIPEMENTS UTILISÉS AU LABORATOIRE

  • PCs
  • Logiciels de simulation de réseaux de neurones : MATLAB et JavaNNS



Évaluation

ACTIVITÉ

DESCRIPTION

%

Laboratoire

5 séances de laboratoire portant sur les réseaux de neurones

30

Quiz

4 Quiz en début de cours. Correction de 2 sur 4

10

Intra

 

30

Final

 

30

 

NOTE CONCERNANT LES TRAVAUX D’ÉQUIPE. Un maximum de 10% du total des notes des divers travaux sera attribué à la présentation et à la qualité du français.  Chaque rapport devra être présenté selon les normes reconnues (voir guide de rédaction de projet de synthèse de l’ÉTS).  Il devra comprendre une introduction, une présentation du problème, l’exposition des méthodes de solution, les résultats et une conclusion.  L’utilisation des outils informatiques pour la rédaction (traitement de textes) ainsi que pour la présentation des données (tabulateurs, graphiques, dessins) est requise.




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 à l’article 6.5.2 du Règlement des études, se verra attribuer la note zéro, à moins que d’autres dispositions soient communiquées par écrit par 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 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.




Absence à un examen
• Pour les départements à l'exception du SEG :
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur du département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note zéro (0).

• Pour SEG :
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence auprès de son enseignant. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note zéro (0).



Plagiat et fraude
Les clauses du « Chapitre 10 : Plagiat et fraude » du « Règlement des études de 1er cycle » s’appliquent dans ce cours ainsi que dans tous les cours du département. Afin de se sensibiliser au respect de la propriété intellectuelle, tous les étudiants doivent consulter la page Citer, pas plagier ! http://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Guichet-interactif/Citer-pas-plagier



Documentation obligatoire
  • LEPAGE, R. et  B. SOLAIMAN (2003). Les réseaux de neurones artificiels et leurs applications en imagerie et en vision par ordinateur, Coop ÉTS.



Ouvrages de références
  • DREYFUS, G., J.-M. MARTINEZ, M. SAMUELIDES, M.B. GORDON, F. BADRAN, S. THIRIA et L. HÉRAULT (2002). Réseaux de neurones : Méthodologie et applications, Eyrolles.
  • HAYKIN, S. (2009). Neural Networks and Learning Machines, 3e éd., Pearson Education.
  • LIKORMAN-SULEM, L. et E. BARNEY SMITH (2013). Reconnaissance des formes : Théorie et pratique sous Matlab - Cours et exercices corrigés, ellipses Paris.
  • MEHROTRA, K., K.M. CHILUKURI et S. RANKA (1997). Elements of Artificial Neural Networks, The MIT Press.
  • SKAPURA, D. M. (1996). Building Neural Networks, Addison-Wesley.
  • GRAUPE, D. (2013). Principles of Artificial Neural Networks, 3e éd., World Scientific Publishing.
  • KOPEC, D., S. SHETTY et C. PILEGGI (2014). Artificial Intelligence Problems and Their Solutions, Mercury Learning. Disponible à la bibliothèque dans la collection books24x7  http://library.books24x7.com/toc.aspx?bookid=64365



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca




Autres informations

Ne s'applique pas.