Version PDF

Afficher les préalables et les unités d'agrément

Afficher les qualités de l'ingénieur

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

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
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		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

Introduction à l’intelligence artificielle

Aperçu général de l’IA
Historique

Le neurone artificiel

Paramètres du neurone : fonction d’activation, de sortie, d’apprentissage
Réseaux de neurones

Taxonomie des principaux modèles

Simulateurs

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

Perceptron multicouche

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

Applications du perceptron multicouche

Méthodes à noyaux

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

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

Réseaux récurrents

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

EXAMEN DE MI-SESSION

Réseaux résonants ART

Couche de compétition
Modèle générique ART1
Apprentissage
Modèles ART2 et ARTMAP

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

Apprentissage automatique

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

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 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 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).

Infractions de nature académique
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, 3^e 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, 3^e 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.