Acquérir les notions fondamentales sur les réseaux de neurones et les systèmes flous, et se familiariser avec les principaux modèles permettant d’analyser les avantages et les limites d’une application donnée.

Réseaux de neurones : définitions, caractéristiques, fondements biologiques, structure et fonctionnement de base. Méthodologie de construction et description des principaux modèles : Perceptron, Adaline-Madaline, rétropropagation, Hopfield, Kohonen, ART, etc. Réalisation d'une application simple à l'aide d'un simulateur. Sous-ensembles flous : définitions, opérations sur les sous-ensembles flous, les a-coupes, produit cartésien, principe d'extension, normes et conormes triangulaires. Relations et quantités floues, mesure d'imprécision. Variables linguistiques et propositions floues.

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 trois (3) heures aura lieu une fois par semaine, pendant une période de douze (12) semaines.  La partie A du cours portera sur les réseaux de neurones artificiels, en particulier les réseaux multicouches sans rétroaction (Muli-Layer Perceptron) et les modèles populaires en apprentissage profond (Deep Learning), comme les réseaux de neurones convolutifs et récurrents. La partie B du cours couvrira les différents aspects théoriques et pratiques des méthodes floues. La partie C portera sur les modèles conventionnels et profonds pour l'apprentissage non-supervisé, faiblement-supervisé (incluant l’apprentissage semi-supervisé et par instances multiples), et l’adaptation domaine. En fin de cours (partie D), nous aborderons plusieurs techniques d’optimisation, incluant l’optimisation évolutionnaire. 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 modèles 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 un examen intra, la rédaction de deux rapports techniques (une synthèse de littérature et une étude expérimentale), et d’une présentation orale du projet de session par tous les étudiants.

Les deux 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 en fin de session. 

Ne s'applique pas.

Documentation obligatoire

• 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
• SYS843 Réseaux de neurones et systèmes flous, Notes de cours, vol 1, Réseaux de neurones, Robert Sabourin, Rév1, 2000.

.

https://ena.etsmtl.ca

Coordonnées du Professeur:

Local:  A-3481

Disponibilité: sur rendez-vous, par courriel (eric.granger@etsmtl.ca)