IFT603-712 - Techniques d'apprentissage


Objectifs du cours

L’apprentissage automatique ou l’apprentissage par machine (Machine Learning) s'intéresse à la conception, l'analyse, l'implémentation et l’application de programmes capables de s’améliorer, au fil du temps, soit sur la base de leur propre expérience, soit à partir des données d'apprentissage. De nos jours, l’apprentissage automatique joue un rôle essentiel dans de nombreux domaines d’applications, tels que la vision par ordinateur, le traitement automatique du langage, la reconnaissance vocale, les systèmes tutoriels intelligents, la modélisation de l’usager, la robotique, la bio-informatique, les finances, le marketing, les jeux vidéos, la télédétection, 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.


Manuel

Il est possible de réussir le cours sans acheter le manuel de référence. Cependant, il est recommandé d'en faire l'achat car le cours en est tiré. Le livre de référence est Pattern Recognition and Machine Learning de Christopher M. Bishop. Il est possible de le commander sur Amazon. Une copie est également à la bibliothèque des sciences et de génie.

Pour ceux et celles qui ne rechignent pas à l'idée de lire un livre sur un écran d'ordinateur, le manuel de Bishop est disponible en format pdf


Méthode pédagogique

La méthode pédagogique employée pour ce cours diffère de celles de la plus part des cours magistraux universitaires. En effet, à chaque semaine, vous serez invité à visionner de 60 à 90 minutes de vidéos en ligne. Il est important de visionner ces vidéos car elles couvrent environ 70% de la matière totale du cours. L'horaire des vidéo est donnée dans le tableau ci-bas.

Lors des séances magistrales en classe, je reverrai avec vous certains concepts mathématiques de base parfois oubliés (vous vous souvenez des probabilités conditionnelles? des vecteurs propres? de la dérivée en chaîne?) ainsi que certaines preuves mathématiques en lien avec la matière vue dans les vidéos ainsi que des mise en contexte et des exercices pratiques et théoriques. Cette méthode pédagogique fait suite à de nombreux commentaires émis par les étudiants.es au fil des années. Cette approche pédagogique a donc pour objectif de vous aider!

Les séances magistrales devraient prendre une à deux heures par semaine. Vous serez également invités à poser des questions quant à la matière vue dans les vidéos. L'heure restante sera passée au laboratoire pour vous aider avec les travaux pratiques (autre requête formulées par les élèves des années antérieures).


Notes de cours et vidéos à visualiser à la maison

Semaine Contenu Sections
du livre
Semaine 0 Mise à niveau
 • Tutoriel Python - Hugo Larochelle
 • Tutoriel Python - Stanford
 • Dérivées
 • Dérivées partielles
 • Algèbre linéaire
 • Stats et prob de base
1.2.4, 2.1, 2.3, Apprendix C
Semaine 1
26 août
1- Concepts fondamentaux [pdf] [pdf]

Présentation 0 (2:19)
Présentation 1 (20:27)
Concepts fondamentaux 0 (11:12)
Concepts fondamentaux 1 (18:33)
Concepts fondamentaux 2 (9:52)
Concepts fondamentaux 3 (8:19)
Concepts fondamentaux 4 (8:07)
1.0, 1.1, 1.3
Semaine 2
2 septembre
2- Formulation probabiliste [pdf] [pdf] [ipython notebook]

Formulations probabilistes 0 (19:57)
Formulations probabilistes 1 (23:49)
Formulations probabilistes 2 (20:16)
Formulations probabilistes 3 (11:38)
1.2, 1.2.1, 1.2.2, 1.2.4, 1.2.5, 1.6, 1.6.1
Semaine 3
9 septembre
3- Régression linéaire [pdf] [pdf]

Régression linéaire 0 (10:29)
Régression linéaire 1 (16:04)
Régression linéaire 2 (11:04)
Régression linéaire 3 (7:11)
Régression linéaire 4 (5:03)
Régression linéaire 5 (5:32)
3.1, 3.1.1, 3.1.4, 3.1.5, 3.2
Semaine 4
16 septembre
4- Classification linéaire [pdf] [pdf] [ipython notebook]
Classification linéaire 0 (7:03)
Classification linéaire 1 (7:40)
Classification linéaire 2 (12:05)
Classification linéaire 3 (13:05)
Classification linéaire 4 (37:17)
4.1, 4.1.2, 4.1.3, 4.1.4, 4.2, 4.3,
Semaine 5
23 septembre
4- Classification linéaire [pdf] [pdf] [ipython notebook]

Classification linéaire 5 (39:01)
Classification linéaire 6 (6:01)
Classification linéaire 7 (12:01)
4.1, 4.1.2, 4.1.3, 4.1.4, 4.2, 4.3,
Semaine 6
30 septembre
5- Méthodes à noyau [pdf] [pdf]

Méthodes à noyau 0 (28:53)
Méthodes à noyau 1 (9:49)
Méthodes à noyau 2 (10:11)
6.1, 6.2
Semaine 7
7 octobre
6- Machines à vecteurs de support [pdf] [pdf]

Machines à vecteurs de support 0 (20:02)
Machines à vecteurs de support 1 (15:31)
Machines à vecteurs de support 2 (11:32)
7.0, 7.1, 7.1.1, 7.1.2
Semaine 8
14 octobre
Examen périodique
Semaine 9
21 octobre
Semaine de lecture
Semaine 10
28 octobre
7- Réseaux de neurones multi-couches [pdf] [pdf]

Réseaux de neurones multicouches 0 (8:02)
Réseaux de neurones multicouches 1 (17:08)
Réseaux de neurones multicouches 2 (12:40)
Réseaux de neurones multicouches 3 (3:35)
Réseaux de neurones multicouches 4 (13:46)
Réseaux de neurones multicouches 5 (11:50)
5.1, 5.2, 5.2.1, 5.2.4, 5.3, 5.3.1, 5.3.2, 5.5
Semaine 11
4 novembre
7- Réseaux de neurones multi-couches [pdf] [pdf]

Réseaux de neurones multicouches 6 (44:03)
Réseaux de neurones multicouches 7 (12:53)
Réseaux de neurones multicouches 8 (28:47)
5.1, 5.2, 5.2.1, 5.2.4, 5.3, 5.3.1, 5.3.2, 5.5
Semaine 12
11 novembre
8- Combinaison de modèles [pdf] [pdf] [ipython notebook]

Combinaison de modèles 0 (13:08)
Combinaison de modèles 1 (21:50)
Combinaison de modèles 2 (11:47)
Combinaison de modèles 3 (2:30)
Combinaison de modèles 4 (21:12)
14.0, 14.2, 14.3, 14.3.1
Semaine 13
18 novembre
9- Théorie de la décision [pdf] [pdf]

Théorie de la décision 0 (:)
Théorie de la décision 1 (:)
1.5
Semaine 14
25 novembre
10- Mélange de gaussiennes [pdf] [pdf]

Mélange de gaussiennes 0 (:)
Mélange de gaussiennes 1 (:)

9.2,9.4
Semaine 15
2 décembre
10- Mélange de gaussiennes [pdf] [pdf]

Mélange de gaussiennes 2 (:)
Mélange de gaussiennes 3 (:)

9.2,9.4


Travaux Pratiques

Veuillez utiliser turninweb pour soumettre vos travaux. Tout retard ou erreur de remise entraînera une pénalité de 10% par jour.

Tp1 Description (remise : 20 septembre) code
Tp2 Description (remise : 11 octobre) code
Tp3 Description (remise : 15 novembre) code
Tp4 Description (remise : 9 décembre) code


Examens (exemples)(NOTE : le final est récapitulatif)

Intra intra.pdf
Final final.pdf
Sommaire
Session
Hiver 2020

Professeur
Pierre-Marc Jodoin

Correcteur
À déterminer

Périodes de cours
Mardi de 10h30 à 12h20
Jeudi de 8h30 à 9h20

Local
À déterminer (Mardi)
À déterminer (Jeudi)

Période de disponibilités
Du lundi au vendredi de 9h30 à 17h30

Horaire et plan de cours
(Cliquez ici)

Created by Pierre-Marc Jodoin