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

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Christian Desrosiers, Hervé Lombaert, Alessandro Lameiras Koerich


PLAN DE COURS

Été 2020
GTI771 : Apprentissage machine avancé (3 crédits)


Pour assurer la tenue de la session d’été 2020 dans le contexte de la pandémie au Covid19, les modalités particulières suivantes devront être appliquées :

  • La session se fera entièrement à distance
  • L’étudiant inscrit à un cours doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus.
  • Les examens (intra, finaux) se feront à distance, la surveillance de ces examens se fera à l’aide de la caméra et du micro de l’ordinateur et pourrait être enregistrée. Ceci est nécessaire pour se conformer aux exigences du bureau canadien d’agrément des programmes de génie afin d’assurer la validité des évaluations.

Si vous ne consentez pas aux modalités décrites ci-haut, vous devez vous désinscrire de vos cours avant le 15 mai et vous pourrez être remboursés. En demeurant inscrit, vous acceptez les modalités particulières de la session E20.




Préalables
Programme(s) : 7065,7070,7365,7610
             
  Profils(s) : Tous profils  
             
    MAT472 ET LOG635    
             
Unités d'agrément
Total d'unités d'agrément : 58,8 60,0 % 40,0 %




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, les étudiants seront en mesure de : illustrer et expliquer la nature des systèmes intelligents; appliquer les connaissances en intelligence artificielle requises pour concevoir et maintenir de tels systèmes; 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.

Les sujets abordés incluent en autres : théorie de Bayes; les approches non supervisées et celles supervisées.



Objectifs du cours
  • 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
  • 3,5 heures de cours et 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
  • Keras
  • OpenCV

Cependant, les étudiants sont libres d’utiliser les bibliotèques de leur choix pour la réalisation des laboratoires.

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




Horaire
Groupe Jour Heure Activité
01 Mercredi 13:30 - 15:30 Laboratoire
Jeudi 08:30 - 12:00 Activité de cours



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Mathieu Dupuis Activité de cours cc-Mathieu.Dupuis@etsmtl.ca
01 Richard Rail Laboratoire richard.rail.1@ens.etsmtl.ca



Cours

Concepts fondamentaux (3 heures)

  • Types d'apprentissage. Régularisation. Sélection de modèles. Conception d'un système intelligent. Exemples d’applications. Étude de cas. Méthodes d'évaluation de performance.

Préparation de données et extraction de primitives (3 heures)

  • Le spectre de la structure. Types de variables. Préparation de données. ETL. Normalisation. Extraction de primitives. Apprentissage de la représentation. One-Hot-Encoding. Exemples d'applications sur vidéo, images et audio.

Réduction de la dimensionnalité (3 heures)

  • Sélection de sous-ensembles. Analyse des composantes principales (PCA). Analyse discriminante linéaire (LDA).

Théorie de la décision de Bayes (3 heures)

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

Méthodes paramétriques (3 heures)

  • Estimation à maximum de vraisemblance. Biais et variance. Classification et régression paramétrique. Méthodes à plusieurs variables. Données à plusieurs variables. Estimation des paramètres. Classification et régression multivariée.

Méthodes non-paramétriques (3 heures)

  • Estimation de densité non paramétrique. Estimation par histogrammes. Estimation de noyaux. Estimation par k-plus
    proche voisins.

Discrimination linéaire (3 heures

  • Modèle linéaire. Géométrie. Descente du gradient. Discrimination logistique. Régression de Ridge.

Réseaux de neurones profonds (6 heures)

  • Perceptron multicouches. Algorithme de propagation rétroactive. Procédure d’entraînement. Réseaux profonds. Apprentissage de représentations. Réseaux convolutifs. Réseaux récurrents et récursifs. Autoencodeurs.

Machines à vecteurs de support (6 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 (3 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.

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 1: Analyse de données, extraction de primitives et visualisation

Ce laboratoire servira à faire une démonstration d'extraction de primitives d'un problème de classification, normalisation de donnés et de primitives, réduction de dimensionnalité et visualisation de données.

  • Logiciels: Python, OpenCV et scikit-learn.
  • Durée : quatre (4) séances.

Laboratoire 2 : Discrimination linéaire et réseaux de neurones profonds

Ce laboratoire servira à faire un travail pratique d’apprentissage machine, en particulier avec les algorithmes linéaires et réseaux de neurones profonds.

  • Logiciels: Python, scikit-learn, TensorFlow et Keras.
  • Durée : quatre (4) séances.

Laboratoire 3 : Machines à vecteurs de support et combinaison de modèles d’apprentissage

Ce laboratoire servira à faire un travail pratique d’apprentissage des machines à vecteurs de support et combinaison de modèles d’apprentissage.

  • Logiciels: Python, scikit-learn, TensorFlow et Keras.
  • Durée : quatre (4) séances.



Utilisation d'outils d'ingénierie

n/a




Évaluation
Examen intra 30 %
Examen final 35 %
Laboratoires     35 %

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 18 juin 2020



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

N/A




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 GTI771  – https://ena.etsmtl.ca/course/view.php?id=11093