À la fin de ce cours, l'étudiant(e) devrait posséder les connaissances suivantes :
Cours magistraux : trois (3) heures/semaine
Laboratoires : deux (2) heures/semaine
Ordinateurs dans le local de laboratoire.
Ordinateur personnel pour le cours à distance.
Introduction à l'intelligence artificielle et à l'apprentissage machine
Réseaux neuroniques
Le Perceptron
Le réseau à rétro-propagation du gradient d'erreurs
Modèles et applications industrielles des réseaux neuroniques artificiels
Arbres de décision
Réseaux Baysiens
Apprentissage markovien
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.
* La date de l’examen mi-session peut-être modifiée sur un préavis de deux (2) semaines.
Aucun retard sans motif raisonnable n'est accepté.
Aucune.
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.
https://ena.etsmtl.ca/course/view.php?id=9234
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.