% DIC9315 — Sujets spéciaux en intelligence artificielle et reconnaissance des formes % UQAM — Département d'informatique % Plan de cours — Automne 2021 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Boukadoum, Mounir PK-4540 Groupes: 020 Description =========== Réseaux de neurones spécialisés (cellulaires, à bases radiales, à délais); réseaux bayesiens; chaînes de Markov cachées; systèmes à logique floue; systèmes neuro-flous; algorithmes génétiques; apprentissage symbolique, induction d'arborescence de décision et de règles, autres approches de l'apprentissage symbolique. Utilisation pour l'extraction de la connaissance et la fouille de données. Des exemples d'applications seront présentés en reconnaissance vocale, traitement de la langue, régression non linéaire et en classification. Préalables académiques ---------------------- - DIC9251 - Modélisation cognitive de systèmes complexes Objectif du cours ================= Introduire les principes théoriques et pratiques servant au traitement de l'information avec l'emphase sur différentes approches de l'intelligence computationnelle, mimétique, connexionniste et par métaheuristiques ; comparer différentes techniques et indiquer leur pertinence pour résoudre des problèmes de l'informatique cognitive et de l'intelligence artificielle. Des exemples d'applications sont donnés pour chaque paradigme couvert et des outils de simulation sont présentés et discutés. Le cours favorise aussi les discussions de groupe et l'approfondissement des concepts par des lectures et des projets guidés. Contenu du cours ================ - Approches mimétiques et symbolisme classique en intelligence artificielle - Compléments sur les réseaux de neurones artificiels (à bases radiales, à délais, chaotiques, à impulsions) - Machine à vecteurs de support et séparateurs à vastes marges (SVM) - Machines à apprentissage extrême - Systèmes à logique floue, neuro-flous et arbres de décision flous - Modèles probabilistes (chaînes de Markov, chaînes de Markov cachées, réseaux bayésiens) - Algorithmes évolutionnaires (Algorithmes et programmation génétique, intelligence collective) - Approches mixtes et hybrides - Utilisation pour l'extraction de la connaissance et la fouille de données. Organisation ============ Le cours est organisé sous forme d'enseignement magistral et de discussions en séance de 3 heures par semaine. Il est attendu que l'étudiant fournira un effort hebdomadaire personnel de 3h ou plus en dehors des heures de cours. Outre l'enseignement magistral et les discussions en séance, la présentation de rapports d'analyse d'articles complète l'apprentissage. L'objectif du travail d'analyse d'articles est : 1) approfondir les connaissances reliées à un des paradigmes couverts dans le cours en faisant la lecture d'au moins trois articles de recherche (ou un livre récent) portant sur un sujet spécifique ; 2) pratiquer les capacités de présentation orale devant un auditoire. Finalement, un travail pratique complète l'analyse d'article. Les travaux individuels se résument donc comme suit : 1. Lire trois articles de recherche ou plus (ou un livre récent) dans le cadre de l'un des buts suivants : - Approfondissement des connaissances sur un des paradigmes couverts dans le cours ; - Amélioration d'une méthodologie vue en classe (e.g. passage d'un classifieur binaire à un classifieur multi-classes); - Étude d'une méthodologie mentionnée mais non couverte en séance ; - Adaptation ou application dans un domaine donné. 2. Réaliser des expériences de simulation portant sur le sujet. 3. Rédiger un rapport final. 4. Faire une présentation orale de 20 mn. Il est encouragé que cette activité soit reliée au projet de thèse/mémoire de l'étudiant ou de l'étudiante.     Modalités d'évaluation ====================== Description sommaire Pondération -------------------------------------------------------------- ------------- présentation orale à la fin de la session avec rapport écrit 70% test de compréhension générale à la fin de la session 30% Barème : -------- A : $\geq$ 86%, B : \[75%, 85%\], E : $<$ 75% Références ========== Obligatoires : \[1\] Recueils de transparents et annexes disponible sur le site web du cours Utiles : \[1\] Michael Negnevitsky, Artificial intelligence, a guide to intelligent systems, Addison Wesley, 2005 (couvre plusieurs sujets du cours dans un langage accessible)\ \[2\] Michael R. Berthold, Christian Borgelt, Franck Höppner, et Frank Klawonn, Guide to intelligent Data Analysis, Springer, 2010 (Un guide presque complet de l'explorateur de données)\ \[3\] Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, MIT press, 2016 (La référence en matière d'apprentissage profond ; demande un bagage mathématique tout aussi profond !)