plan de cours : gif-4101 - Pixel
Transcription
plan de cours : gif-4101 - Pixel
PLAN DE COURS Hiver 2013 GIF-4101 20439 - Apprentissage et reconnaissance Informations générales Crédits : 3 Temps consacré : 3-0-6 Mode d'enseignement : Présentiel Site Web : http://gif4101.gel.ulaval.ca Intranet Pixel : https://pixel.fsg.ulaval.ca Enseignant(s) : Gagné, Christian [email protected] Responsable : à déterminer Date d'abandon sans échec avec 04 Février 2013 à 23h59 remboursement : Date d'abandon sans échec sans 01 Avril 2013 à 23h59 remboursement : Description sommaire Ce cours porte sur les méthodes permettant l'inférence à partir d'observations de modèles de classement, de régression, d'analyse de données ou de prise de décision. Ces méthodes se caractérisent par une phase d'entraînement à partir de données ou d'expériences, afin d'effectuer des tâches qui seraient difficiles ou impossibles à faire par des moyens algorithmiques plus classiques. Le cours aborde différentes approches actives en apprentissage et cherche à expliquer leurs mécanismes de base. Une perspective applicative de ces différentes techniques est également présentée, avec un accent particulier sur la reconnaissance de formes. Objectifs À la fin de ce cours, l'étudiant devra être en mesure de : • Faire le point sur les différentes approches utilisées en apprentissage automatique et en reconnaissance des formes. • Connaître les avantages et les limites des différentes méthodes. • Mener à terme un projet personnel en utilisant des techniques d'apprentissage et de reconnaissance automatisée. 1/5 • Apprendre à utiliser les logiciels permettant de construire des systèmes automatisés capables d'apprentissage et de reconnaissance. Contenu Introduction (2h) : types d'apprentissage; optimisation; régularisation; généralisation; méthodologie. Méthodes paramétriques (9h) : fonctions discriminantes; matrice de confusion; théorème de Bayes; réseaux bayésiens; méthodes paramétriques; estimation par maximum de vraisemblance; compromis biais/variance; méthodes multivariées; densité mélange. Réduction de la dimensionnalité (3h) : analyse en composantes principales; analyse discriminante linéaire; sélection vorace avant/arrière de caractéristiques. Clustering (3h) : algorithme K-means; algorithme espérance-maximisation; clustering hiérarchique. Méthodes non paramétriques (3h) : fonctions de densité; estimation de densité par noyau; classement par les plus proches voisins. Discriminants linéaires (3h) : descente du gradient; séparation à plusieurs classes; algorithme du Perceptron; méthode des moindres carrés; discriminant logistique. Méthodes à noyaux (3h) : fonctions noyaux; maximisation des marges géométriques; séparateurs à vastes marges; exemples d'autres méthodes à noyaux. Perceptron multicouche (3h) : modèle de réseaux de neurones; algorithme de rétropropagation des erreurs; réseau à base radiale. Méthodes par ensembles (3h) : votes à majorité; codes à correction d'erreur; mixtures d'experts; Bagging; Boosting. Conception et analyse d'expérimentation en apprentissage (3h) : méthodologies d'expérimentation; validation croisée; Bootstrap; estimation de l'erreur; tests statistiques; comparaison d'algorithmes. Consignes sur les travaux Les devoirs et le projet sont effectués à l'aide du logiciel MATLAB. Détails sur les modalités d'évaluation Deux examens (35 % chacun), quatre devoirs et un projet (30 %). La note de passage est de 50 %. Échelle des cotes (cycle 1) Échelle des cotes 2/5 A+ [ 90.00 - 100 ] A [ 85.00 - 89.99 ] A- [ 80.00 - 84.99 ] Réussite B+ [ 76.00 - 79.99 ] B [ 72.00 - 75.99 ] B- [ 68.00 - 71.99 ] Réussite C+ [ 64.00 - 67.99 ] C [ 60.00 - 63.99 ] C- [ 56.00 - 59.99 ] Réussite D+ [ 53.00 - 55.99 ] D [ 50.00 - 52.99 ] Réussite E [ 0.00 - 49.99 ] Échec Abandon sans échec (dans les délais prévus) X Politiques sur les examens Les étudiants qui ont une lettre d'Attestation d'accommodations scolaires obtenue auprès d'un conseiller du secteur Accueil et soutien aux étudiants en situation de handicap (ACSESH) doivent rencontrer leur professeur au début de la session afin que des mesures d'accommodation en classe ou lors des évaluations puissent être prévues et planifiés suffisamment à l'avance puis mises en place. Bibliographie Obligatoire : • Ethem Alpaydin, Introduction to Machine Learning, MIT Press, 2e édition, 2010, ISBN : 978-0262012430. Supplémentaire : • Richard O. Duda, Peter E. Hart et David G. Stork, Pattern Classification, Wiley-Interscience, 2e édition, 2000, ISBN : 978-0471056690. • Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2008, ISBN : 978-0387310732. • Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, MIT Press, 2012, ISBN : 978-0262018029. • Antoine Cornuéjols et Laurent Miclet, Apprentissage Artificiel : Concepts et Algorithmes, Eyrolles, 2e édition, 2010, ISBN : 978-2212124712. • Ferdinand van der Heijden, Robert Duin, Dick de Ridder et David M. J. Tax, Classification, Parameter Estimation and State Estimation: An Engineering Approach using MATLAB, Wiley, 2004, ISBN : 978-0470090138. Modalités d'évaluation Examen Date Heure Examen partiel Mercredi 6 mars 2013 09h30 à 12h20 Pondération de la note finale 35.00% Document(s) autorisé(s) Une feuille manuscrite recto-verso 3/5 Examen final Travail Devoir 1 Devoir 2 Devoir 3 Devoir 4 Projet Mercredi 1 mai 2013 Équipes 1à3 1à3 1à3 1à3 1à3 09h30 à 12h20 35.00% Une feuille manuscrite recto-verso Date d'échéance Heure Date d'activité Heure Pondération de la note finale Mercredi 27 février 2013 09h30 n/a n/a 5.00% 09h30 n/a n/a 5.00% 09h30 n/a n/a 5.00% 09h30 n/a n/a 5.00% 15h00 n/a n/a 10.00% Mercredi 27 mars 2013 Mercredi 10 avril 2013 Mercredi 24 avril 2013 Vendredi 3 mai 2013 Horaire et disponibilités Cours en classe : Mercredi 09h30 à 12h20 PLT-2508 Disponibilité de l'enseignant : (du 28 janv. au 30 Lundi 10h30 à 11h30 PLT-1138-F avril) Politique sur l'utilisation d'appareils électroniques pendant une séance d'évaluation L'utilisation d'appareils électroniques (cellulaire ou autre appareil téléphonique sans fil, pagette, baladeur, agenda électronique, etc.) est interdite au cours d'une séance d'évaluation et de toute autre activité durant laquelle l'enseignant l'interdit. De plus, seuls certains modèles de calculatrices sont autorisés durant les séances d'évaluation. Les modèles suivants sont autorisés : Hewlett Packard HP 20S, HP 30S, HP 32S2, HP 33S, HP 35S Texas Instrument TI-30Xa, TI-30XIIB, TI-30XIIS, TI-36X, BA35 Sharp EL-531*, EL-535-W535, EL-546*, EL-510 R, EL-520* Casio FX-260, FX-300 MS, FX-350 MS, FX-300W Plus, FX-991MS, FX-991ES * Calculatrices Sharp: sans considération pour les lettres qui suivent le numéro Dans tous ces cas, la calculatrice doit être validée par une vignette autocollante émise par la COOP étudiante ZONE. Information spécifique aux étudiants de l'École d'actuariat Les calculatrices autorisées lors des examens sont uniquement les modèles répondant aux normes de la Society of Actuaries et de la Casualty Actuarial Society pour leurs examens, soit les modèles Texas Instruments suivants : 4/5 • BA-35 (solaire ou à pile) • BA II Plus • BA II Plus Professional • TI-30Xa • TI-30X II (IIS ou IIB) • TI-30X MultiView (XS ou XB) Politique sur le plagiat et la fraude académique Règles disciplinaires Tout étudiant qui commet une infraction au Règlement disciplinaire à l'intention des étudiants de l'Université Laval dans le cadre du présent cours, notamment en matière de plagiat, est passible des sanctions qui sont prévues dans ce règlement. Il est très important pour tout étudiant de prendre connaissance des articles 28 à 32 du Règlement disciplinaire. Celui-ci peut être consulté à l'adresse suivante: http://www.ulaval.ca/sg/reg/Reglements/Reglement_disciplinaire.pdf Plagiat Tout étudiant est tenu de respecter les règles relatives au plagiat. Constitue notamment du plagiat le fait de: i. copier textuellement un ou plusieurs passages provenant d'un ouvrage sous format papier ou électronique sans mettre ces passages entre guillemets et sans en mentionner la source; ii. résumer l'idée originale d'un auteur en l'exprimant dans ses propres mots (paraphraser) sans en mentionner la source; iii. traduire partiellement ou totalement un texte sans en mentionner la provenance; iv. remettre un travail copié d'un autre étudiant (avec ou sans l'accord de cet autre étudiant); v. remettre un travail téléchargé d'un site d'achat ou d'échange de travaux scolaires. L'Université Laval étant abonnée à un service de détection de plagiat, il est possible que l'enseignant soumette vos travaux pour analyse. 5/5