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)

26    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.

QUIPEMENTS UTILISÉS AU LABORATOIRE :

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

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.
 

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

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#
• Site Internet du cours: https://ena.etsmtl.ca

Mohamad Forouzanfar (Enseignant)

Email : mohamad.forouzanfar@etsmtl.ca

L'objet du courriel doit toujours commencer par "GPA671".

Geordi-Gabriel Renaud Dumoulin (chargé de laboratoire)

Email : geordi-gabriel.renaud-dumoulin.1@ens.etsmtl.ca