Logo ÉTS
Session
Cours
Responsable(s) Éric Granger

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Éric Granger


PLAN DE COURS

Automne 2020
GPA759 : Réseaux de neurones et intelligence artificielle (3 crédits)


Modalités de la session d’automne 2020
Pour assurer la tenue de la session d’automne 2020, les modalités suivantes seront appliquées :


La plupart des cours de la session d'automne seront donnés à distance. Les autres seront donnés en présence. Cette information vous a déjà été communiquée.

L’étudiant inscrit à un cours à distance doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus.

Les cours à distance pourraient être enregistrés, à la discrétion de l’ÉTS. Le cas échéant, les enregistrements de cours pourraient notamment être rendus accessibles aux étudiants par le biais notamment du portail de l’ÉTS.

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

Pour les cours à distance, les examens (intra, finaux) se feront normalement 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.
 
Le contexte actuel oblige bien sûr l’ÉTS à envisager la possibilité d’une deuxième vague de la pandémie de COVID-19, laquelle pourrait entraîner, après le début de la session d’automne 2020, 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 que, si requis, elle pourrait aller jusqu’à interdire l’accès physique au campus universitaire et ordonner la dispense en ligne de toutes les activités d’enseignement et d’évaluation pour la durée restante de la session d’automne 2020.

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

Si vous ne consentez pas aux modalités décrites précédemment, vous devez vous désinscrire de vos cours avant le 13 septembre et vous pourrez être remboursé.

Pour les nouveaux étudiants inscrits au programme de baccalauréat uniquement, vous devez vous désinscrire avant le 25 septembre et vous pourrez être remboursé.

En demeurant inscrit, vous acceptez les modalités particulières de la session d'automne 2020.




Préalables
Aucun préalable requis
Unités d'agrément
Total d'unités d'agrément : 64,8 33,3 % 66,7 %




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

À la fin de ce cours, l’étudiant sera en mesure :

  • de définir le domaine de l’intelligence artificielle et particulièrement les réseaux de neurones;
  • résoudre des problèmes d’ingénierie à l’aide des réseaux de neurones.

Intelligence artificielle : définition, caractéristiques et architecture de base, représentation des connaissances, mécanismes d'inférence, raisonnement avec incertitude, stratégies de contrôle et méthodologie de construction. Réseaux de neurones : définition, caractéristiques, fondements biologiques, structure et fonctionnement de base, méthodologie de construction et présentation des principaux modèles. Les modèles sont présentés dans un contexte de système de reconnaissance de forme.

Séances de laboratoire : analyser le comportement des réseaux de neurones; réaliser et appliquer les réseaux de neurones pour fin de reconnaissance de forme.




Objectifs du cours

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;
  • Mettre au point des simulations simples de systèmes pour l’extraction de descripteurs et la classification;

 

 




Stratégies pédagogiques

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 3h30 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).

 




Utilisation d’appareils électroniques

Les appareils électroniques (iPod Touch, téléphone intelligent, tablette, ordinateur portable) sont permis durant les cours, à des fins pédagogiques uniquement. La calculatrice est permise durant les cours et est le seul appareil électronique permis durant les examens.




Horaire
Groupe Jour Heure Activité
01 Lundi 13:30 - 16:30 Laboratoire
Mercredi 08:30 - 12:00 Activité de cours



Coordonnées du personnel enseignant le cours
Groupe Nom Activité Courriel Local Disponibilité
01 Jérôme Rony Activité de cours cc-Jerome.Rony@etsmtl.ca
01 Malik Boudiaf Laboratoire cc-Malik.Boudiaf@etsmtl.ca



Cours

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

 

Semaines

Description
(Voir les lectures sur le site de cours)

Heures

 

 

1

2 septembre

Organisation du cours

  • Présentation personnelle
  • Plan détaillé du cours

Introduction à l’intelligence artificielle

  • Historique et applications
  • Définitions
  • Problèmes de classification, régression et catégorisation
  • Apprentissage supervisé et non-supervisé
  • Exemples de système

3

 

2

9 septembre

A. Methodologie expérimentale

  • Complexité des modèles et sur-apprentissage
  • Protocoles de validation croisée pour la validation
  • Mesures de performances: matrice de confusion, précision, courbes ROC/PR, complexité
  • Prétraitement de données: normalisation, decorrélation, sélection de caractéristiques

3

 

 

3

16 septembre

 

4

23 septembre

 

5

30 septembre

 

B. Methodes de classification

B.1 Perceptron et apprentissage

  • Modèles de neurones biologiques et neurones artificiels
  • Apprentissage: algorithme du gradient
  • Limites: problème du XOR

B.2 : Réseaux de neurones multicouches

  • Algorithme de rétro-propagation
  • Fonctions de coût

B.3 Apprentissage profond

  • Régularisation: sur-apprentissage et sous-apprentissage
  • Stratégies d'entrainement : gradient stochastique, initialisation, moment, augmentations, paufinement
  • Apprentissage profond: auto-encodeurs, réseaux convolutifs, vision par ordinateur

 

 

3



 

3

 

 

3

 

6

7 octobre

8

21 octobre

B.4 SVM et méthodes à noyaux

  • Classification linéaire
  • Machines à vecteurs de support (SVM)
  • Astuce du noyau
  • Réseaux de neurones à base radiale (RBF)
  • Algorithme des K-moyennes

 

3


3

7

14 octobre

Examen de mi-session

 

3

 

9

28 octobre

 

B.5 Classification statistiques et autres

  • Classificateur Bayésiens
  • Algorithmes k-plus-proches-voisins (k-NN)
  • Régression logistique
  • Arbres décisionnels

3

 

 

 

 

10

11 novembre

 

 

11

18 novembre

 

12

25 novembre


 

C.Analyse et representation de données

C.1 Approches de catégorisation statistiques

  • Algorithme statistique k-means et k-modes
  • Mélanges de Gaussiennes
  •  
  • Algorithme basée sur des matrices d'affinité : spectral

C.2 Techniques de représentation de l'information

  • Analyse en Composante Principale (PCA)
  • Analyse Discriminante Linéaire (LDA)
  • Apprentissage de caractéristiques : auto-encoders, modélisation parsemé

 

Révision du cours

 

3

 

 

 

 

 

3

 

 


 

3

13

2 décembre

Présentation orale des projets de session

3

Total      

39

 




Laboratoires et travaux pratiques

Semaines

Description
(Voir les lectures sur le site de cours)

Heures

2

Introduction à la programmation scientifique en python

3

3 à 5

Laboratoire 1 - Entrainement de réseaux de neurones

  • Coubres ROC et PR
  • Perceptron
  • Réseau multicouche
  • Retropropagation

9

6 à 8

Laboratoire 2 - KNN, SVM et CNN

  • Algorithmes k-plus-proches-voisins
  • Machines à vecteurs de support
  • Réseaux de neurones convolutifs

9

9 à 13

Projet final (compétition)

15

Total          

36




Utilisation d'outils d'ingénierie

ÉQUIPEMENTS UTILISÉS AU LABORATOIRE :

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



Évaluation

Activités

Pondération

1.   Laboratoires (2 laboratoires de 10% chacun)

20%

2.   Présentation orale du projet

20%

3.   Examen intra

30%

4.   Examen final

30%

 

 

Utilisation d'appareils électroniques : Les appareils électroniques (iPod Touch, téléphone intelligent, tablette, ordinateur portable) sont permis durant les cours, à des fins pédagogiques uniquement. La calculatrice est permise durant les cours et est le sul appareil électronique permis durant les examens.




Dates des examens intra
Groupe(s) Date
1 14 octobre 2020



Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : https://www.etsmtl.ca/programmes-et-formations/horaire-des-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 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.




Absence à une évaluation
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).



Infractions de nature académique
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
  • 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, 3e 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, 3e 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



Adresse internet du site de cours et autres liens utiles



Autres informations

Jérome Rony

Bureau:

A-3600

Courriel:

cc-jerome.rony@etsmtl.ca

Téléphone:

(514)691-4631

Disponibilité:

du lundi au jeudi incl.

Malik Boudiaf

Bureau:

A-3600

Courriel:

malik.boudiaf.1@etsmtl.net