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