IFT603 - 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 FORTEMENT 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 commandér sur Amazon. Une copie est également en réserve 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


Notes de cours

Contenu Sections
du livre
Mise à niveau
 • Tutoriel Python - Hugo Larochelle
 • Tutoriel Python - Stanford
 • Dérivées
 • Dérivées partielles
 • Algèbre linéaire (Bishop : Appendix C)
---
0- Présentation [pdf] [pdf]
---
1- Concepts fondamentaux [pdf] [pdf] 1.0, 1.1, 1.3
2- Formulation probabiliste [pdf] [pdf] [ipython notebook]
1.2, 1.2.1, 1.2.2, 1.2.4, 1.2.5, 1.6, 1.6.1
3- Régression linéaire [pdf] [pdf] [ipython notebook]
3.1, 3.1.1, 3.1.4, 3.1.5, 3.2
4- Classification linéaire [pdf] [pdf] [ipython notebook]
4.1, 4.1.2, 4.1.3, 4.1.4, 4.2, 4.3,
5- Méthodes à noyau [pdf] [pdf] [ipython notebook]
6.1, 6.2
6- Machine à vecteurs de support [pdf] [pdf] 7.0, 7.1, 7.1.1, 7.1.2
7- Réseaux de neurones multi-couches [pdf] [pdf] 5.1, 5.2, 5.2.1, 5.2.4, 5.3, 5.3.1, 5.3.2, 5.5
8- Combinaison de modèles [pdf] [pdf] [ipython notebook] 14.0, 14.2, 14.3, 14.3.1
9- Mélange de gaussiennes [pdf] [pdf]
9.2,9.4
10- Théorie de la décision [pdf] [pdf] 1.5


Travaux Pratiques

Veuillez utiliser turninweb pour soumettre vos travaux.

Tp1 Description (remise : 9 février) code
Tp2 Description (remise : 16 mars) code
Tp3 Description (remise : 30 mars) code
Tp4 Description (remise : 16 avril) code


Examens (exemples)

Intra intra.pdf
Final final.pdf
Sommaire
Session
Hiver 2018

Professeur
Pierre-Marc Jodoin

Correcteur
Carl Lemaire (Local : D4-2003)

Périodes de cours
Mardi de 10h30 à 12h20
Vendredi de 13h30 à 14h20

Local
D3-2035 (Mardi)
D7-2023 (Vendredi)

Période de disponibilités
Jeudi de 9h30 à 17h30

Support technique en lab
Lundi de 17h30 à 18h20
    => D4-1023

Horaire et plan de cours
(Cliquez ici)

Created by Pierre-Marc Jodoin