Introduire les notions fondamentales des réseaux de neurones artificiels et des systèmes flous, et présenter les principaux modèles de façon à ce qu'il(elle) puisse en analyser les avantages et les limitations pour une application donnée.

Un cours magistral d’une durée de 3 heures aura lieu une fois par semaine, pendant une période de douze (12) semaines.  La majeure partie du cours portera principalement sur les réseaux de neurones artificiels, en particulier les réseaux de type multicouches sans rétroaction (Muli-Layer Perceptron, MLP) et les modèles populaires en apprentissage profond (Deep Learning) comme les réseaux de neurones à convolution (CNNs), les réseaux adverses génératifs (GANs) et les auto-encodeurs variationnel (VAE). L'entrainement des réseaux de neurones profonds sera discuté en détails. Nous allons aussi discuter l'apprentissage non supervisé (incluant différents algorithmes de catégorisation), semi-supervisé,  faiblement supervisé et adverse. Une partie du cours couvrira les différents aspects théoriques et pratiques des méthodes floues. En fin de cours, nous aborderons plusieurs techniques d’optimisation, incluant l’optimisation évolutionnaire, l’optimisation discrète, l’optimisation sous contraintes et les méthodes ADMM. Plusieurs applications et technologies seront présentées à travers des études de cas. Enfin, la treizième semaine sera consacrée à la présentation orale 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 littérature servira de véhicule pour approfondir les connaissances sur des algorithmes neuroniques, flous et évolutionnaires pour le traitement d’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 la rédaction de deux rapports techniques (pour la synthèse de littérature et l’étude expérimentale), et d’une présentation orale du projet de session par tous les étudiants.

Les 2 rapports techniques pour le projet de session – (1) synthèse de littérature et (2) étude expérimentale – devront être dactylographiés, et avoir une longueur maximum de 50 pages (caractère de 12 points, en double interligne). Les projets de session feront l’objet d’une présentation orale d’affiches le 4 avril 2019. Les projets de session feront l’objet d’une présentation orale durant la période des examens.

Ne s'applique pas.

Documentation obligatoire
 

• SYS843 Réseaux de neurones et systèmes flous, Notes de cours, vol 1, Réseaux de neurones, Robert Sabourin, Rév1, 2000.
• Les notes de cours péparées par le professeur et les références pertinentes seront disponibles sur le site Internet du cours: https://ena.etsmtl.ca

Références optionnelles

• W. Banzhaf, Foundations of Genetic Algorithms, Morgan Kaufmann, 1999.
• C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.
• C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
• R. O. Duda, P. E. Hart et D. G. Stork, Pattern Classification, 2e ed., John Wiley & Sons, 2000.
• S. Haykin, Neural Networks and Machine Learning, 3^e ed., Prentice Hall, 2009.
• G.J. Klir et  T.A. Folger, Fuzzy sets, Uncertainty and Information, Prentice Hall Int’l, 1988.
• L. I. Kuncheva, Combining Pattern Classifiers: Methods and Algorithms, Wiley, 2004.
• K.F. Man, K.S. Tang et S. Kwong, Genetic Algorithms, Concepts and Design, Springer-Verlag, 2^e ed., 1999.
• J. Zurada, J.M., Introduction to Artificial Neural Systems, West Publishing Co, 1992.
• H.J. Zimmermann, Fuzzy Set Theory and its Applications, 4e ed., Springer, 2001.
• I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, Cambridge, MA, 2016
• F-F Li, J. Johnson, S. Yeung, CS231n: Convolutional Neural Networks for Visual Recognition, Stanford University, 2017

.

https://ena.etsmtl.ca

Coordonnées du Professeur:

Local:  A-3596

Disponibilité: sur rendez-vous, par courriel (ismail.benayed@etsmtl.ca)