% DIC9351 — Techniques et méthodes d'apprentissage machine % UQAM — Département d'informatique % Plan de cours — Automne 2022 * Horaires, locaux et enseignants: Responsable(s) du cours ======================= Coordination ------------ Villemaire, Roger PK-4615 Enseignement ------------- Bouguessa, Mohamed PK-4915 Groupes: 030 Enseignement en mode hybride ---------------------------- 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 ================ **Théories et concepts de base de l'apprentissage machine** **Entraînement des arbres de décision** **Apprentissage par combinaison de décisions** **Modèles de l'inférence bayésienne** **Réseaux de neurones et apprentissage profond** **Apprentissage non supervisé : classification automatique** **Apprentissage symbbolique non supervisé : données transactionnelles et analyse d'associations** **Approches d'apprentissage supervisées et non supervisées pour les données textuelles** Modalités d'évaluation ====================== Description Pondération ------------- ------------- Travaux 60% Examen 40% 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