Logo ÉTS
Session
Cours
Responsable(s) Hervé Lombaert, Alessandro Lameiras Koerich, Christian Desrosiers

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure
Département de génie logiciel et des TI
Responsable(s) de cours : Hervé Lombaert, Alessandro Lameiras Koerich, Christian Desrosiers


PLAN DE COURS

Automne 2019
GTI770 : Systèmes intelligents et apprentissage machine (3 crédits)



Préalables
Programme(s) : 7610
             
  Profils(s) : Tous profils  
             
    LOG320 ET MAT350 ET MAT472    
             
Programme(s) : 7365
             
  Profils(s) : Tous profils  
             
    LOG320 ET MAT472 ET MAT350    
             
Unités d'agrément
Données non disponibles




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
Ce cours présente les concepts d’apprentissage automatique par les ordinateurs. Plusieurs problèmes applicatifs seront étudiés et différentes méthodes d’apprentissage automatique émanant du génie des technologies de l’information, de la théorie de l’information et de l’intelligence artificielle seront étudiées.

À la fin de ce cours, l’étudiant pourra illustrer et expliquer la nature des systèmes intelligents, appliquer les connaissances en intelligence artificielle requises pour concevoir et maintenir de tels systèmes et finalement, utiliser les outils appropriés pour valider et évaluer la performance des systèmes intelligents. La théorie de Bayes, les approches non-supervisées et celles supervisées sont quelques exemples de méthodes étudiées en classe.

Des séances de laboratoires permettront de mettre en pratique la théorie démontrée en classe.

Précision sur les préalables : ce cours exige un seul des deux préalables suivants : GTI310 ou LOG320. Les préalables MAT350 et MAT472, pour leur part, sont requis pour tous.



Objectifs du cours

À la fin de ce cours, l’étudiant(e) pourra :

  • Illustrer et expliquer la nature des systèmes intelligents
  • Appliquer les connaissances en apprentissage machine requises pour concevoir et maintenir de tels systèmes
  • Utiliser les outils appropriés pour valider et évaluer la performance des systèmes intelligents



Stratégies pédagogiques
  • Trois heures et demie (3,5 heures) de cours et deux (2) heures de laboratoire par semaine. Toutes les notes de cours seront disponibles à l’étudiant(e) sous format électronique dans Moodle;
  • Les laboratoires visent l'assimilation des notions vues au cours, la mise au point des travaux et la conception des systèmes intelligents.



Utilisation d’appareils électroniques

Les outils montrés en classe ou en laboratoire utilisent notamment :

  • Python
  • Scikit-learn
  • TensorFlow
  • OpenCV

Cependant, les étudiants sont libres d’utiliser le langage de programmation et les librairies de leur choix pour la réalisation des laboratoires.

Par ailleurs, de nombreuses approches d’apprentissage automatisé sont présentées en classe (ex : réseaux de neurones, arbres de décisions, SVM). Ces approches peuvent être perçues comme des outils ayant chacun leur avantages et inconvénients.




Horaire
Groupe Jour Heure Activité
01 Lundi 08:30 - 10:30 Laboratoire
Mardi 13:30 - 17:00 Activité de cours
02 Lundi 08:30 - 12:00 Activité de cours
Mardi 13:30 - 15:30 Laboratoire



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Hervé Lombaert Activité de cours Herve.Lombaert@etsmtl.ca A-4464
02 Jose Dolz Activité de cours Jose.Dolz@etsmtl.ca A-3417



Cours

Introduction (4 heures)

  • Définition de l’apprentissage machine. Conception d'un système intelligent. Exemples d’applications. Étude de cas. Types d'apprentissage. Méthodes d'évaluation de performance.

Préparation de données et extraction de primitives (3 heures)

  • Définition et types de variables. Pré-traitement de données. Exemples d'applications sur vidéo, images et audio.

Arbres de décision (3 heures

  • Arbres de classification. Arbres de régression. Élagage. Apprentissage de règles à partir de données. Extraction de règles à partir des arbres.

Apprentissage bayésien (3 heures)

  • Classification bayésienne. Pertes et risques. Fonctions discriminantes. Valeur de l’information. Classifieur optimal de Bayes. Classifieur naïf de Bayes.

Méthodes paramétriques (6 heures)

  • Estimation à maximum de vraisemblance. Estimateur bayésien. Évaluation du biais et de la variance. Classification paramétrique. Méthodes à plusieurs variables. Données à plusieurs variables. Estimation des paramètres. Estimation des valeurs manquantes. Classification multivariables.

Méthodes non-paramétriques (3 heures)

  • Estimation de densité non-paramétrique. Estimation par histogrammes. Estimation de noyaux. K-plus proche voisin.

Réseaux neuronaux (3 heures)

  • Perceptron. Fonctions d’apprentissage booléennes. Perceptron multicouches. Algorithme de propagation rétroactive. Procédure d’entraînement.

Machines à vecteur de support (4 heures)

  • Hyperplan séparateur et marge maximale. Astuce du noyau. Classification par SVM. Régression par SVM. SVM à une classe. SVM multi-classe.

Combinaison de modèles d'apprentissage et rejet (4 heures)

  • Génération de modèles d'apprentissage. Combinaison d'experts. Combinaison à plusieurs étages. Système de vote. Importance du rejet. Règle idéale. Concept de rejet. Critères de rejet.

Réduction de la dimensionnalité (3 heures)

  • Sélection d’un sous-ensemble. Analyse des composantes principales (PCA). Analyse des facteurs. Mise à l’échelle en multidimension. Analyse discriminante linéaire (LDA).

Regroupement (3 heures)

  • Introduction. Mélange de densités. Regroupement k-moyennes. Algorithme de maximisation de l’espérance. Algorithmes hiérarchiques.



Laboratoires et travaux pratiques

Les laboratoires sont essentiels à la compréhension de la matière. Ils permettent à l’étudiant(e) de mettre en pratique la matière vue en classe.

Laboratoire 0: Introduction à Python

  • Ce premier laboratoire servira à faire une démonstration des outils et une introduction à la langage de programmation Python.
  • Logiciels : Python, OpenCV et scikit-learn.
  • Durée : une (1) séance.
  • Pondération : 4 % de la note finale

Laboratoire 1: Préparation de données et extraction de primitives

  • Ce laboratoire servira à faire une démonstration d'extraction de simples primitives d'un problème de classification d'images.
  • Logiciels: Python, OpenCV et scikit-learn.
  • Durée : deux (2) séances.
  • Pondération : 6 % de la note finale

Laboratoire 2 : Algorithmes d'apprentissage 

  • Ce laboratoire servira à faire un travail pratique d’apprentissage machine, en particulier avec les algorithmes d'arbres de décision, d’apprentissage bayésien et d’apprentissage k-PPV.
  • Logiciels: Python et scikit-learn.
  • Durée : trois (3) séances.
  • Pondération : 6 % de la note finale

Laboratoire 3 : Reséaux neuronaux et machines à vecteur de support

  • Ce laboratoire servira à faire un travail pratique d’apprentissage du perceptron et de reseaux multicouches ainsi que des machines à vecteurs de support.
  • Logiciels: Python, scikit-learn et TensorFlow.
  • Durée : trois (3) séances.
  • Pondération : 8 % de la note finale

Laboratoire 4 : Développement d’un système intelligent

Ces derniers laboratoires portent sur le développement d'un système intelligent pour un problème complexe proposé par l'enseignantToutes les étapes de conception d'un tel système seront réalisées: analyse des données, sélection du modèle, implémentation et validation. L'évaluation de ce laboratoire sera basée sur la qualité de la conception de même que la performance du système sur des données de validation.

  • Durée : trois (3) séances.
  • Pondération : 16 % de la note finale.



Utilisation d'outils d'ingénierie

n/a




Évaluation
Examen intra 25 %
Examen final 35 %
Laboratoires       40 %

À noter qu'une moyenne inférieure à 50% à l'ensemble des examens intra et final entraine automatiquement un échec au cours.




Dates des examens intra
Groupe(s) Date
1, 2 29 octobre 2019



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

NA




Absence à un examen
Dans les cinq (5) jours ouvrables suivants, 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 ou du SEG. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Dans tous les cas, l’étudiant doit effectuer sa demande en complétant le formulaire prévu à cet effet qui se trouve dans son portail Mon ÉTS/Formulaires. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat, Activité compétitive d’un étudiant appartenant à un club scientifique ou un club sportif d’élite de l’ÉTS ou au programme « Alliance sport étude » 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/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique ) 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
  • Alpaydin, Ethem. 2014. Introduction to machine learning, 3rd edition. Coll. « Adaptive computation and machine learning ». Cambridge, Mass.: MIT Press.

  • Vous avez accès au document électronique complet à partir de books24x7.




Ouvrages de références
  • Mitchell, Tom M. 1997. Machine Learning. New York: McGraw-Hill, 414 p.

  • Duda, Richard O., Peter E. Hart et David G. Stork. 2001. Pattern classification, 2nd ed. New York ; Toronto: John Wiley & Sons, 654 p.

  • Bishop, Christopher M. 2006. Pattern recognition and machine learning. New York: Springer, 738 p.

  • Theodoridis, Sergios, et Konstantinos Koutroumbas. 2009. Pattern recognition, 4th Edition. Burlington, Mass.: Academic Press.

  • Vous avez accès au document électronique complet à partir de books24x7.




Adresse internet du site de cours et autres liens utiles

Moodle GTI770 – Groupes 01 et 02 – https://ena.etsmtl.ca/course/view.php?id=9792