% DIC9351 — Techniques et méthodes d'apprentissage machine % UQAM — Département d'informatique % Plan de cours — Automne 2020 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Coordination ------------ Villemaire, Roger Enseignement ------------- Bouguessa, Mohamed PK-4915 Groupes: 030 Enseignement à distance 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 ==================== Ce cours a pour objectif de présenter l'apprentissage machine et les différentes approches s'y rattachant. Il a pour but d'instrumenter les étudiants au plan du choix des approches, techniques et outils pour l'acquisition automatique de connaissances. Il passe en revue les dites approches en identifiant leurs principaux contextes d'application et les résultats attendus de chacune d'elles. Il montre aux étudiants l'utilisation de ces techniques et approches, l'analyse et la discussion des résultats produits. La réalisation de prototypes d'application peut aussi être envisagée. Objectif du cours ================= Ce cours vise à approfondir les connaissances de base de l'étudiant dans le domaine de l'apprentissage automatique (machine learning) en le familiarisant avec les travaux de recherche dans ce domaine. Les objectifs spécifiques de ce cours : - Comprendre le processus de l'apprentissage automatique; - Maîtriser les algorithmes d'apprentissage supervisé et non supervisé les plus utilisés en pratique; - Travailler sur un projet de recherche qui se rattache à l'intelligence artificielle, l'apprentissage automatique, forage de données, big data, etc. Contenu du cours ================ **Concepts de base** - Classification et régression - Frontière de décision et fonctions discriminantes - Fonction d'erreur et risque empirique - Concepts d'apprentissage non supervisé - Malédiction de la dimension. **Arbre de décision** - Algorithmes de construction de l'arbre : CART, ID3, C4.5 - Techniques d'élagage de l'arbre. **Évaluation de l'apprentissage** - Métriques pour évaluer la performance des algorithmes - Courbe ROC **Apprentissage par combinaison de décisions** - Bagging - Boosting - Random Forest    **Approches bayésiennes** - Principe de l'inférence bayésienne - Algorithmes classification **Réseaux de neurones et apprentissage profond** - Réseaux de neurones multicouches - Réseaux de neurones à convolution - Auto-encodeur **Apprentissage non supervisé : clustering** - Algorithmes de partitionnement **Texte mining** - Approches supervisées et non supervisées pour la classification automatique des documents. Modalités d'évaluation ====================== Description Pondération ------------------- ----------------- Deux travaux 40% (20% + 20%) Projet de session 30% Examen 30% Médiagraphie ============ Aurelien Geron. Machine Learning avec Scikit-Learn : Mise en œuvre et cas concrets. Dunod, 2019. J. Krohn, G. Beyleveld, A. Bassens. Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence. Pearson's Addison-Wesley, 2019. A. Cornuéjols, L. Miclet, Y. Kodratov. Apprentissage artificiel: Concepts et algorithmes (3è édition), Eyrolles, 2018. P-N Tan, M. Steinbach, V. Kumar. Introduction to Data Mining, Addison Wesley, 2006. Site web du livre : http://www-users.cs.umn.edu/\~kumar/dmbook/index.php Tom M. Mitchell. Machine Learning, McGraw Hill, 1997. Site Web du livre : http://www.cs.cmu.edu/\~tom/mlbook.html **Note de cours :** moodle.uqam.ca