Logo ÉTS
Session
Cours
Responsable(s) Chakib Tadj

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Chakib Tadj


PLAN DE COURS

Hiver 2022
ELE767 : Apprentissage machine en intelligence artificielle (3 crédits)


Modalités de la session d’hiver 2022


Pour assurer la tenue de la session d’hiver 2022, les modalités suivantes seront appliquées :


Les activités d’enseignement de la session d’hiver 2022 comprendront des activités en présence et à distance, lesquelles seront ajustées en fonction de l’évolution de la situation socio-sanitaire.


Pour les cours (ou séances de cours) donnés à distance, l’étudiant ou l'étudiante doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus. Il ou elle doit ouvrir sa caméra et/ou son micro lorsque requis, notamment pour des fins d’identification ou d’évaluation.


Les cours (ou séances de cours) donnés à distance pourraient être enregistrés afin de les rendre disponibles aux personnes inscrites au cours.


La notation des cours sera la notation régulière prévue aux règlements des études de l’ÉTS.


Les examens (intra, finaux) se feront en présence, si la situation socio-sanitaire le permet.


Le contexte actuel oblige bien sûr l’ÉTS à suivre de près l’évolution de la pandémie de COVID-19, laquelle pourrait entraîner, avant ou après le début de la session d’hiver 2022, un resserrement des directives et recommandations gouvernementales. Nous vous assurons que l’ÉTS se conformera aux règles en vigueur afin de préserver la santé publique et, si requis, qu'elle pourrait aller jusqu’à interdire l’accès physique au campus universitaire et ordonner que toutes les activités d’enseignement et d’évaluation soient exclusivement données à distance pour toute ou pour une partie de la session d’hiver 2022. Ainsi, si les examens (intra, finaux) devaient se faire à distance, leur surveillance 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 (BCAPG) afin d’assurer la validité des évaluations.


Des exigences additionnelles pourraient être spécifiées par l’ÉTS ou votre département, suivant les particularités propres à votre programme.


En vous inscrivant ou en demeurant inscrit à la session d'hiver 2022, vous acceptez les modalités particulières de la session d’hiver 2022.


Nous vous rappelons que vous avez jusqu’au 18 janvier 2022 pour vous désinscrire de vos cours et être remboursé.


Pour les nouveaux étudiants inscrits au programme de baccalauréat uniquement, vous avez jusqu’au 1er février 2022 pour vous désinscrire de vos cours et être remboursé.




Préalables
Programme(s) : 7694
             
  Profils(s) : Tous profils  
             
    ELE216    
             
Unités d'agrément
Total d'unités d'agrément : 58,8 66,7 % 33,3 %




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



Objectifs du cours

À la fin de ce cours, l'étudiant(e) devrait posséder les connaissances suivantes :

  • identifier, décrire et utiliser les principaux modèles de réseaux neuroniques artificiels ;
  • quelques modèles probabilistes et stochastiques ;
  • arbres de décision ;
  • raisonnement par cas ;
  • mettre au point des simulations simples de systèmes de classification, de reconnaissance de la parole, de vision artificielle, etc.



Stratégies pédagogiques

Cours magistraux : trois (3) heures/semaine

Laboratoires : deux (2) heures/semaine




Utilisation d’appareils électroniques

Ordinateurs dans le local de laboratoire.

Ordinateur personnel pour le cours à distance.




Horaire
Groupe Jour Heure Activité
01 Lundi 08:30 - 12:30 Laboratoire aux 2 semaines
Jeudi 08:30 - 12:00 Activité de cours



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Chakib Tadj Activité de cours Chakib.Tadj@etsmtl.ca A-2633
01 Chakib Tadj Laboratoire aux 2 semaines Chakib.Tadj@etsmtl.ca A-2633



Cours
Date Contenus traités dans le cours Heures
 

Introduction à l'intelligence artificielle et à l'apprentissage machine

  • Différents domaines de l'intelligence artificielle.
  • Principales méthodes de classification.
  • Historique. École connexionniste et école symbolique.
  • Représentation, emmagasinement et utilisation de la connaissance. 
3 heures
 

Réseaux neuroniques

  • Modélisation d'un neurone. Champ récepteur. Fonctions d'activation.
  • Apprentissage par modification des poids de connexion.
3 heures
 

Le Perceptron

  • Modèle et règle d'apprentissage. Classification par le Perceptron. Limitations.
3 heures
  Intra 3 heures
 

Le réseau à rétro-propagation du gradient d'erreurs

  • Modèle multicouches,rétro-propagation des erreurs et règle d'apprentissage.
  • Principales applications. Amélioration des performances.
9 heures
 

Modèles et applications industrielles des réseaux neuroniques artificiels

  • Taxonomie. Modèles monocouches : Hopfield, mémoire associative, machine de Boltzmann et Kohonen.
  • Modèles multicouches : BAM, ART et Neocognitron.
  • apprentissage profond, réseaux de neurones convolutifs, récurrents et autoencodeurs. 
  • Survol des applications.
9 heures
 

Arbres de décision

  • Introduction aux arbres de décision
  • Construction de l’arbre
  • Caractéristiques
  • Apprentissage et forêts aléatoires
  • Applications
3 heures
 

Réseaux Baysiens

  • Définition,
  • Théorème de Bayes
  • Probabilités conditionnelles, conjointes, marginales, Indépendance conditionnelle
  • Apprentissage Bayésien
  • Réseaux Bayésiens
  • Quelques exemples
3 heures
 

Apprentissage markovien

  • Paramétrisation et stationnarité
  • Modèles de Markov, Baum-Welch Re-Estimation, Algorithme de Viterbi
  • Autres approches
  • Applications
3 heures
  Total 39



Laboratoires et travaux pratiques
Date Description Heures
 
  • Familiarisation avec le simulateur de réseaux neuroniques à l'aide d'un classificateur de type Perceptron
4 heures
 
  • Réseau multicouche à rétro-propagation des erreurs.
  • Entraînement et utilisation d'un réseau d'extraction de caractéristiques et de classification
12 heures
 
  • Réseaux compétitifs.
  • Conception et entraînement d’un réseau du type LVQ pour la classification de formes
4 heures
 
  • Arbres de décision
4 heures
  Total 24



Utilisation d'outils d'ingénierie

Indissociable du cours et du laboratoire. Utilisation d'un des compilateurs disponibles dans le local de laboratoire.

Utilisation d'un des compilateurs disponibles en accès libre pour le cours à distance.




Évaluation
Activité Description % Date
  Examen intra (date peut être déplacée, selon le début de la session) 25 % 17 février 2022
  Examen final 25 % à déterminer
  Laboratoires 40 %  
  Synthèse de littérature  10 % à déterminer

* La date de l’examen mi-session peut-être modifiée sur un préavis de deux (2) semaines.




Dates des examens intra
Groupe(s) Date
1 17 février 2022



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

Aucun retard sans motif raisonnable n'est accepté.




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

Aucune.




Ouvrages de références

Suggérées

Stuart J Russell; Peter Norvig; Ernest Davis, "Artificial intelligence : a modern approach", Prentice Hall, ©2010.

Ian Goodfellow and Yoshua Bengio and Aaron Courville, "Deep Learning", MIT Press book, 2016.




Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=9234

 




Autres informations

Expérience en informatique

L'étudiant(e) se familiarise avec des outils utilisés en intelligence artificielle. D'une part, l'étudiant(e) utilisera un simulateur pour modéliser un réseau neuronique avec différents paramètres.  D'autre part, l'étudiant(e) apprendra à concevoir des modèles de classification, d'identification et d'aide à la décision.