% INF7370 — Apprentissage automatique % UQAM — Département d'informatique % Plan de cours — Hiver 2023 * Horaires, locaux et enseignants: Enseignement ============ Bouguessa, Mohamed PK-4915 Groupes: 010 **Enseignement en mode hybride.** **Les séances à distance sont en mode synchrone via Zoom.** Les étudiant.e.s doivent consulter régulièrement le site Moodle du cours, moyen de communication du professeur avec le groupe-cours. Les annonces officielles seront publiées sur Moodle. Le site web officiel du cours est sur Moodle, il contient le matériel du cours (diapositives, énoncés des travaux, etc.) et servira pour la remise des travaux et examens. ------------------------------------------------------------------------ Description du cours ==================== Les principes de l'apprentissage automatique. Apprentissage supervisé vs l'apprentissage non supervisé. Protocole d'apprentissage. Classification et entraînement de modèles. Arbres de décisions. Apprentissage d'ensemble. Modèles bayésiens. Réseaux de neurones. Descente de gradient. Modèles d'apprentissage profond. Machines à vecteurs de support. Évaluation de l'apprentissage. Techniques d'apprentissage non supervisé. Objectif du cours ================= MISE EN CONTEXTE L'apprentissage automatique ou l'apprentissage par machine (Machine Learning) s'intéresse à l'élaboration des programmes d'ordinateurs capable de s'améliorer automatiquement au fil du temps, soit sur la base de leur propre expérience, soit à partir des données antérieures fournies par d'autres programmes. De nos jours, l'apprentissage automatique joue un rôle de plus en plus essentiel puisque il offre plusieurs approches de l'acquisition automatisée des connaissances pour de nombreux domaines d'applications tels que la robotique, la bio-informatique, les finances, le marketing, les jeux vidéos, la vision par ordinateur, etc. En fait, la plupart des programmes de l'intelligence artificielle contiennent un module d'apprentissage. Presque tous les systèmes de reconnaissances de formes sont basés sur des techniques d'apprentissage. OBJECTIF Ce cours vise à introduire les concepts fondamentaux de l'apprentissage automatique et d'appliquer ces notions à des problèmes concrets. Contenu du cours ================ - Les principes de l'apprentissage automatique - Arbres de décision - Apprentissage par ensemble et forets d'arbres décisionnels - Classification bayésienne - Évaluation de l'apprentissage - Réseaux bayésiens - Réseaux de neurones : architecture multicouches et algorithmes d'apprentissage - Entraînement de réseaux de neurones profonds - Réseaux de neurones convolutifs - Apprentissage de représentations : les autoencodeurs empliés, convolutifs et débruiteurs - Principe des réseaux de neurones récurents (LSTM, GRU) - Machines à support vectoriel (SVM) - Apprentissage non supervisé : algorithmes clustering (partitionnement, hiérarchique, basé sur la densité et deep clustering) Modalités d'évaluation ====================== - TP1 : 25% - TP2 : 25% - TP3 : 12% - Examen final : 38% Materiel de cours ================= DOCUMENTATION 1. Aurélien Géron. Deep Learning avec Keras et TensorFlow : Mise en œuvre et cas concrets. Dunod, 2020. 2. Aurélien Géron. Machine Larning avec Scikit-Learn : Mise en œuvre et cas concrets. Dunod, 2019. 3. J. Krohn, G. Beyleveld, A. Bassens. Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence. Pearson's Addison-Wesley, 2019. 4. A. Cornuéjols, L. Miclet, Y. Kodratov. Apprentissage artificiel: Concepts et algorithmes (3è édition), Eyrolles, 2018. 5. P-N Tan, M. Steinbach, V. Kumar. Introduction to Data Mining, Addison Wesley, 2006. Renseignement utiles ====================