Apprentissage et reconnaissance

GIF-4101 / GIF-7005, Automne 2017

Synopsis : Ce cours porte sur les méthodes permettant l'inférence à partir d'observations de modèles de classement, de régression, d'analyse de données ou de prise de décision. Ces méthodes se caractérisent par une phase d'entraînement à partir de données ou d'expériences, afin d'effectuer des tâches qui seraient difficiles ou impossibles à faire par des moyens algorithmiques plus classiques. Le cours aborde différentes approches actives en apprentissage et cherche à expliquer leurs mécanismes de base. Une perspective applicative de ces différentes techniques est également présentée, avec un accent particulier sur la reconnaissance de formes.


Logistique

Horaire et local

Mercredi, de 09h30 à 12h20, local PLT-2744, du 6 septembre au 13 décembre 2017.

Professeur

Christian Gagné

Disponibilités

Disponibilités pour le cours le lundi de 9h30 à 10h20 au local PLT-1138-F, du 11 septembre au 18 décembre 2017 (excepté 9 octobre et 30 octobre).

Algorithme :

  1. De préférence, venez lors des heures de disponibilités annoncées;
  2. Sinon, tenter votre chance avec l'algorithme suivant :
    1. Lorsque ma porte est ouverte, vous n'avez qu'à frapper avant d'entrer!
    2. Si ma porte est fermée, c'est soit que je ne suis pas là, soit que je suis très occupé. Vous pouvez me déranger si cela ne peut pas attendre;
    3. Si la lumière est éteinte, c'est que je ne suis pas à l'université;
    4. L'heure qui précède un cours n'est jamais le bon moment pour venir me voir.
  3. Sinon, prendre rendez-vous par courriel.

Chronologie et présentations

Sem. Date Présentations Références Travaux
1 6 sep. Présentation du cours
Introduction à l'apprentissage automatique
Apprentissage supervisé
Chap. 1 et 2
2 13 sep. Théorie bayésienne de la décision
Réseaux bayésiens
Exemples avec un réseau bayésien
Chap. 3; sec. 14.1-14.3
3 20 sep. Méthodes paramétriques
Scikit-learn
Sec. 4.1-4.3, 4.5-4.8
4 27 sep. Méthodes multivariées Chap. 5 Énoncé Devoir 1
5 4 oct. Réduction de la dimensionnalité Sec. 6.1-6.3, 6.6
6 11 oct. Clustering Sec. 7.1-7.4, 7.6, 7.8-7.9 Remise Devoir 1
Énoncé Devoir 2
7 18 oct. Méthodes non paramétriques Sec. 8.1-8.6
8 25 oct. Examen partiel
9 1 nov. Semaine de lecture
10 8 nov. Discriminants linéaires Chap. 10; Sec. 12.2.1, 12.7 Remise Devoir 2
Énoncé Devoir 3
Énoncé Projet
11 15 nov. Méthodes à noyau Sec. 13.1-13.7, 13.14
12 22 nov. Perceptron multicouche Sec. 11.1-11.8.2, 12.3 Remise Devoir 3
Remise proposition de projet
Énoncé Devoir 4
13 29 nov. Apprentissage profond (Goodfellow et coll., 2016)
14 6 déc. Méthodes par ensembles Chap. 17; Sec. 12.8-12.9 Remise Devoir 4
15 13 déc. Planification et analyse d'expérimentations en apprentissage Chap. 19
16 20 déc. Examen final Remise Projet

Travaux

Les devoirs et le projet seront effectués dans le language de programmation Python, en utilisant la librairie scikit-learn.

Planification et énoncés

Travail Remise Fichiers
Devoir 1    11 octobre, 9h30
Devoir 2 8 novembre, 9h30
Devoir 3 22 novembre, 9h30
Devoir 4 6 décembre, 9h30
Projet 22 décembre, midi

Directives

  • La remise des travaux se fait dans monPortail.
  • Devoirs
    • GIF-4101 : devoirs effectués en équipes de 2 à 3 étudiants
    • GIF-7005 : devoirs effectués individuellement
  • Projet
    • En équipes de 2 à 3 étudiants
    • Les équipes qui peuvent inclure des étudiants des deux cours (GIF-4101 et GIF-7005)

Références


Examens

Examens partiels

Examens finaux


Références

Livre obligatoire

Disponible à la Coop Zone et sur Amazon.ca.

Références supplémentaires

Ces livres seront disponibles pour la session à la réserve des professseurs de la bibliothèque scientifique du pavillon Vachon, excepté (Goodfellow et coll., 2016), qui est entièrement disponible en-ligne.