Logo ÉTS
Session
Cours
Responsable(s) Chakib Tadj

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Chakib Tadj


PLAN DE COURS

Été 2018
ELE778 : Intelligence artificielle: rés. neuroniques et syst. experts (3 crédits)





Préalables
Programme(s) : 7694
             
  Profils(s) : Tous profils  
             
    ELE216    
             
Unités d'agrément
Données non disponibles




Descriptif du cours

S’initier au domaine de l'intelligence artificielle par le biais des réseaux neuroniques et des systèmes experts.

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. Applications des réseaux neuroniques en vision artificielle et commande vocale. Systèmes experts (SE). SE et bases de données. Coquille de SE. Espaces-problèmes et méthode de fouille. Représentation des connaissances par des systèmes de production. Logique floue. Représentation d'objets structurés par les réseaux sémantiques, les cadres et la programmation objet. Techniques d'extraction des connaissances. Étude de cas dans les domaines du contrôle de la qualité et de la fiabilité.

Séances de laboratoire sur ordinateur axées sur la simulation des principaux modèles de réseaux neuroniques et sur les techniques d'apprentissage; conception et évaluation d’un modèle neuronal formel en utilisant des données réelles. La connaissance d’un langage de programmation est requise.




Objectifs du cours

À la fin de ce cours, l'étudiant(e) sera capable de :

  • identifier, décrire et utiliser les principaux modèles de réseaux neuroniques artificiels;

  • choisir un modèle approprié afin de résoudre un problème qu'il aura formulé en termes de réseaux neuroniques;

  • mettre au point des simulations simples de systèmes de classification et de vision artificielle;

  • définir les composantes d'un système expert et d'une coquille de système expert;

  • faire un choix éclairé des différentes techniques de contrôle d'un système expert basé sur les règles de production;

  • décrire les différentes formes de représentation des connaissances et leurs mécanismes d'inférence.

 




Stratégies pédagogiques

Cours magistraux : trois (3) heures/semaine

Laboratoires : deux (2) heures/semaine




Utilisation d’appareils électroniques

Ordinateurs dans le local de laboratoire.




Horaire
Groupe Jour Heure Activité
01 Lundi 13:30 - 17:00 Activité de cours
Mercredi 08:30 - 12:30 Laboratoire aux 2 semaines



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Chakib Tadj Activité de cours 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
 

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.
  • Survol des applications.
12 heures
 

Introduction aux systèmes experts

  • Définition, concept fondamental, fonctionnement et domaines d'application.
3 heures
 

Systèmes de production

  • Définition, règle de production, inférence, stratégies de contrôle et raisonnement avec incertitude.
3 heures
 

Méthodologie de construction 

  • Acquisition des connaissances, moyens de développement, phases de développement et conseils pour le développement.
3 heures
  Total 39



Laboratoires et travaux pratiques
Date Description Heures
 
  • Familiarisation avec le simulateur de réseaux neuroniques à l'aide d'un classificateur de type Perceptron
4 heures
 
  • Réseau multicouche à rétro-propagation des erreurs.
  • Entraînement et utilisation d'un réseau d'extraction de caractéristiques et de classification
16 heures
 
  • Réseaux compétitifs.
  • Conception et entraînement d’un réseau du type LVQ pour la classification de formes
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.




Évaluation
Activité Description % Date
  Examen intra 25 % 18 juin 2018
  Examen final 25 % à déterminer
  Laboratoires 40 %  
  Synthèse de littérature  10 % à déterminer

* 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 18 juin 2018



Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/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 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne 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 sans motif raisonnable n'est accepté.




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 « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/A-propos/Direction/Politiques-reglements/Infractions_nature_academique.pdf ) 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 les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).



Documentation obligatoire

Aucune.




Ouvrages de références

Fortement suggérées

DROUHARD, J.P., ELE778  Intelligence artificielle : Systèmes experts, Notes de cours, École de technologie supérieure, rédaction décembre 1996.

Rojas, R., Neural Networks, "A Systematic Introduction", Springer-Verlag, Berlin, New-York, 1996.

 

Complémentaires

JACKSON, P., Introduction to Expert Systems, 2nd Ed., Addison-Wesley, 1990.

LUCAS, P. et VAN DER GAAG, L., Principles of Expert Systems, Addison-Wesley, 1991.




Adresse internet du site de cours et autres liens utiles

https://cours.etsmtl.ca/ele778/

 




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 réseaux neuroniques en programmant un simulateur en utilisant un langage évolué.