L'objectif de ce cours est d’introduire les notions fondamentales des modèles génératifs profonds, et présenter les principaux modèles de façon à ce qu’on puisse en analyser les avantages et les limitations pour une application donnée.

L’étudiant est tenu d’assister aux séances hebdomadaires, d’une durée de trois heures, chacune étant consacrée à un thème spécifique du cours. Ces séances comprendront des travaux pratiques tels que des études de cas et des activités de résolution de problèmes, ainsi que des moments de discussion. Par ailleurs, des ressources pédagogiques pertinentes seront régulièrement mises en ligne sur le site du cours. Il incombe à l’étudiant de consulter régulièrement ce site afin de rester à jour.

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 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou 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).

Les notes de cours péparées par le professeur et les références pertinentes seront disponibles sur le site Internet du cours.

Références optionnelles

[1] Understanding Deep Learning by Simon J.D. Prince, MIT Press 2023

     Disponible en ligne par l'auteur :  https://udlbook.github.io/udlbook/

[2] Probabilistic Machine Learning: Advanced Topics by Kevin Patrick Murphy, MIT Press, 2023.

     Disponible en ligne par l'auteur :  https://probml.github.io/pml-book/book2.html

[3]  Tomczak, Jakub M. Deep generative modeling. Springer, 2022. 

     https://link.springer.com/book/10.1007/978-3-030-93158-2

[4] Probabilistic Machine Learning: An Introduction by Kevin Patrick Murphy, MIT Press, 2022.

     Disponible en ligne par l'auteur : https://probml.github.io/pml-book/book1.html

[5] The Science of Deep Learning by IDDO DRORI, Cambridge University Press 2023

[6] Deep Learning: Foundations and Concepts by Christopher M. Bishop, Springer 2024

[7]  Introduction to Probability, 2nd Edition by Dimitri P. Bertsekas and John N. Tsitsiklis, Athena Scientific, 2007

https://ena.etsmtl.ca

Mohammadhadi (Hadi) Shateri

Local:  A-3635

Disponibilité: sur rendez-vous, par courriel (mohammadhadi.shateri@etsmtl.ca)