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

• 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.

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.

n/a

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

NA

• 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.

• 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.

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