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 l’utilisation d’outils logiciels modernes.
Mercredi, de 09h30 à 12h20, local VCH-3860, du 4 septembre au 11 décembre 2019.
Christian Gagné
Disponibilités pour le cours le lundi de 11h30 à 12h30 au local PLT-1138-F, du 9 septembre au 16 décembre 2019 (excepté 14 et 28 octobre).
Utilisez l’algorithme de disponibilités suivant (originellement proposé par Marc Parizeau) :
Sem. | Date | Présentations | Références | Travaux |
---|---|---|---|---|
1 | 4 sep. | Présentation du cours Apprentissage machine Apprentissage supervisé |
Chap. 1 Chap. 2 |
|
2 | 11 sep. | Théorie bayésienne de la décision Méthodes paramétriques |
Chap. 3 Chap. 4 |
|
3 | 18 sep. | Méthodes multivariées Scikit-learn Notebook avec scikit-learn |
Chap. 5 | Énoncé Devoir 1 |
4 | 25 sep. | Méthodes non paramétriques | Sec. 8.1-8.6 | |
5 | 2 oct. | Discriminants linéaires | Chap. 10 | Remise Devoir 1 Énoncé Devoir 2 |
6 | 9 oct. | Méthodes à noyau | Sec. 13.1-13.7, 13.10 | Énoncé Projet |
7 | 16 oct. | Perceptron multicouche | Sec. 11.1-11.8.2 | Remise Devoir 2 Énoncé Devoir 3 |
8 | 23 oct. | Apprentissage profond | (Goodfellow et coll., 2016) | |
9 | 30 oct. | Semaine de lecture | ||
10 | 6 nov. | Réseaux à convolution PyTorch |
(Goodfellow et coll., 2016) | Remise Devoir 3 Remise proposition de projet Énoncé Devoir 4 |
11 | 13 nov. | Examen : au VCH-3820 (GIF-4101) et VCH-3860 (GIF-7005) | ||
12 | 20 nov. | Méthodes par ensembles | Sec. 9.1-9.3, 12.8-12.9; Chap. 17 | |
13 | 27 nov. | Prétraitements et analyse de données | Sec. 6.1-6.3, 6.7 | Remise Devoir 4 Énoncé Devoir 5 |
14 | 4 déc. | Clustering | Chap. 7 | |
15 | 11 déc. | Configuration de modèles et expérimentations | Chap. 19 | Remise Devoir 5 |
16 | 18 déc. | Affiches des projets (GIF-7005) | Remise Projet |
Les devoirs et le projet sont effectués dans le language de programmation Python, en utilisant les librairies scikit-learn et PyTorch. Les devoirs se font dans des notebooks Jupyter en utilisant la suite logicielle Anaconda ou le service Google Colaboratory.
Travail | Remise | Fichiers et liens |
---|---|---|
Devoir 1 | 2 octobre, 9h30 | Notebook du devoir 1 |
Devoir 2 | 16 octobre, 9h30 | Notebook du devoir 2 |
Devoir 3 | 6 novembre, 9h30 | Notebook du devoir 3 |
Devoir 4 | 27 novembre, 9h30 | Notebook du devoir 4 |
Devoir 5 | 11 décembre, 9h30 | Notebook du devoir 5 |
Projet | 17 décembre, midi | Énoncé du projet |
Notez que la structure du cours et son contenu ont été significativement modifiés. Veuillez faire usage de discernement dans votre utilisation des examens des années précédentes.
Disponible à la Coop Zone et sur Amazon.ca.