Le cours introduira les concepts de base de l’apprentissage profond (Deep Learning), mettant l’accent sur les fondements mathématiques, probabilistes et statistiques essentiels. Les étudiants auront l'occasion de mettre en pratique ces concepts à l'aide d'outils informatiques pour une application concrète dans le domaine de la mécanique computationnelle. Nous explorerons des modèles d'apprentissage supervisé et non supervisé, en abordant des concepts clés tels que l’estimation du maximum de vraisemblance, la régularisation et l’optimisation basée sur le gradient. Nous introduirons les réseaux neuronaux profonds (Deep Neural Networks) pour la classification et la régression ainsi que les réseaux neuronaux convolutifs profonds. Nous aborderons également des techniques de compression des données pour la réduction de la dimensionalité via l'algorithme de décomposition orthogonale propre et les réseaux d’encodeurs-décodeurs profonds. Des algorithmes de réseaux neuronaux récurrents pour la modélisation de données séquentielles seront également explorés. Des applications à des problèmes de mécanique dépendant de l’espace, du temps et de paramètres physiques seront montrées. Enfin, nous introduirons les réseaux neuronaux informés par la physique (PINNs) et les réseaux d’opérateurs profonds (DeepOnets). La librairie PyTorch sera utilisée dans le cours. La maîtrise préalable du langage Python est requise pour suivre le cours.  Des laboratoires et des projets pratiques seront réalisés tout au long de la session, offrant aux étudiants une compréhension approfondie et des applications tangibles des concepts et des algorithmes enseignés.

Séances de cours de 3 heures par semaines en plus de 6 séances de laboratoire. Les séances de cours et des laboratoires se donneront sur Zoom. Des exemples de codes implémentant les méthodes seront montrés durant les cours.

Des exercices seront recommandés et doivent être faits par les étudiants.

Période de modifications d’inscription sans mention d’échec et avec remboursement : Du 6 au 19 janvier 2024.

Extension de la période pour annulation de cours seulement avec remboursement (pour les nouveaux étudiants admis au programme de baccalauréat uniquement) : du 20 janvier au 2 février 2025.

Période d’abandon des cours sans mention d’échec ni remboursement pour les cours d’hiver 2024 : 3 février au 17 mars 2024.

Fin de la session d’hiver 2025 : 28 avril 2025.

Date limite pour déposer une demande de révision de note de la session d’hiver 2025 : 10 jours ouvrables après la remise de la cote finale.

H : Hamza Kamil

M : Mathieu Mullins

• Devoirs :            30 %– 3 devoirs ayant pour objectif de réviser régulièrement la matière. Équipe de deux étudiants au plus. Les coéquipiers doivent travailler également. Une seule copie doit être remise par équipe sur le site du cours.

 Politique de retard des travaux : refus de tout retard.

• Projet :               45 % – dont 10% pour la présentation de l’idée du projet. Équipe de deux étudiants au plus.

Examen intra :            25 %.

Sans objet.

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).

N/A

1. C.M. Bishop & H. Bishop: ‘Deep Learning- Foundations and Concepts’, Springer, 2024, https://www.bishopbook.com/
2. Sebastian Raschka,Yuxi (Hayden) Liu Vahid Mirjalili: ‘Machine Learning with PyTorch and Scikit-Learn’,  Packt Publishing, 2022.
3. I. Goodfellow, Y. Bengio, A. Courville: ‘Deep Learning’ , MIT Press, http://www.deeplearningbook.org.
4. Stefan Kollmannsberger · Davide D’Angella ·Moritz Jokeit · Leon Herrmann:‘Deep Learning in Computational Mechanics- An Introductory Course’, Springer, 2021.
5. Timon Rabczuk · Klaus-Jürgen Bathe Editors:‘Machine Learning in Modeling and Simulation Methods and Applications’, Springer, 2023.
6. Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J., Dive into Deep Learning, Cambridge University Press, https://D2L.ai
7. M.P. Deisenroth, A.A. Faisal, C.S. Ong (2021). Mathematics for machine learning. Cambridge University Press.

• https://colab.research.google.com