Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure :

• de définir le domaine de l’intelligence artificielle, et particulièrement les modèles en apprentissage machine;
• de résoudre des problèmes concrets en ingénierie à l’aide de modèles d’apprentissage, par exemple : machine à vaste marge, classificateur Bayésiens, réseaux de neurones, régression logistique, arbres décisionnels et algorithme k-means.

Apprentissage machine: définition; différentes taches (classification, catégorisation et régression); principaux modèles; apprentissage supervisé, non supervisé et par renforcement; extraction et sélection de caractéristiques; représentation des connaissances; reconnaissance et mécanismes d'inférence; raisonnement avec incertitude; méthodologie expérimentale. Les modèles sont présentés dans un contexte de système de reconnaissance de forme.

Séances de laboratoire : analyser le comportement des modèles neuroniques et statistiques en intelligence artificielle; concevoir et appliquer ces modèles d’apprentissage machine pour fin de reconnaissance de formes.

L'objectif global de ce cours est d’identifier, de décrire et d’utiliser les principaux modèles neuroniques et statistiques en intelligence artificielle. Les objectifs spécifiques du cours sont :

• Décrire les différentes formes de représentation des connaissances et les principes de l'apprentissage automatique et de l'intelligence artificielle.
• Choisir un modèle neuronique ou statistique approprié afin de résoudre un problème en reconnaissance de formes;
• Concevoir et analyser les principaux modèles neuroniques et statistiques en intelligence artificielle pour le traitement d’information.

39    heures de cours magistral (enseignement théorique)

36    heures de laboratoire

  3    heures de travail personnel (en moyenne) par semaine

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h par semaine et à des séances de laboratoire (3 h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles neuroniques et statistiques appliqués à des problèmes en reconnaissance visuelle (extraction de descripteurs et classification).

Le plan de cours prévu se veut complet et ordonnancé chronologiquement, mais certaines modifications peuvent être apportées en cours de session.

ÉQUIPEMENTS UTILISÉS AU LABORATOIRE :

• PCs
• Logiciels de simulation de réseaux de neurones : python, scikit-learn et pytorch

Utilisation d'appareils électroniques :  La calculatrice est permise durant les cours et est le seul appareil électronique permis durant les examens.

* Aucun retard ne sera permis pour la remise des travaux.  Une pénalité de 10 % par jour ouvrable sera imposée.  Les règlements concernant le plagiat, tentative de plagiat et situations connexes seront appliquées.

Aucune.

• DUDA, R., P. HART et D. STORK (2012). Pattern classification, 2e éd., John Wiley & Sons.
• BISHOP, C. M. (2006). Pattern recognition and machine learning. Springer.
• LEPAGE, R. et  B. SOLAIMAN (2003). Les réseaux de neurones artificiels et leurs applications en imagerie et en vision par ordinateur, Coop ÉTS.
• DREYFUS, G., J.-M. MARTINEZ, M. SAMUELIDES, M.B. GORDON, F. BADRAN, S. THIRIA et L. HÉRAULT (2002). Réseaux de neurones : Méthodologie et applications, Eyrolles
• HAYKIN, S. (2009). Neural Networks and Learning Machines, 3^e éd., Pearson Education.
• MEHROTRA, K., K.M. CHILUKURI et S. RANKA (1997). Elements of Artificial Neural Networks, The MIT Press.
• SKAPURA, D. M. (1996). Building Neural Networks, Addison-Wesley.
• GRAUPE, D. (2013). Principles of Artificial Neural Networks, 3^e éd., World Scientific Publishing.
• KOPEC, D., S. SHETTY et C. PILEGGI (2014). Artificial Intelligence Problems and Their Solutions, Mercury Learning. Disponible à la bibliothèque dans la collection books24x7  http://library.books24x7.com/toc.aspx?bookid=64365

• Documentation python: https://docs.python.org/3/
• Scikit-learn: https://scikit-learn.org/
• PyTorch: https://pytorch.org/ et sa documentation https://pytorch.org/docs/stable/index.html#

Soufiane Belharbi

email : cc-soufiane.belharbi@etsmtl.ca

Thomas Dubail

email : thomas.dubail.1@ens.etsmtl.ca