| ||||
Sigle : INF6243 Gr. 01 Titre : Techniques d'apprentissage Session : Automne 2018 Horaire et local Professeur : Allili, Mohand Saïd | ||||
1. Description du cours paraissant à l'annuaire : | ||||
ObjectifsPermettre aux étudiants de maîtriser les concepts fondamentaux de l’apprentissage automatique et d’appliquer ces notions à des problèmes concrets. Leur faire acquérir des connaissances sur les techniques d’apprentissage supervisé et non supervisé, les techniques d’apprentissage pour les données textuelles, les algorithmes de classement des pages Web. ContenuConcepts d’apprentissage supervisé : classification et régression, frontière de décision et fonctions discriminantes; Arbres de décision et techniques de traitement du sur-apprentissage (overfitting); Apprentissage par ensemble : (bagging), (boosting) et forêt d’arbres; Machine à noyaux : dimension VC et machines à supports vectorielles; Apprentissage non supervisé : (clustering), les mélanges de loi de distribution statistique, carte de Kohonen et algorithme SOFM; Apprentissage de données multidimensionnelles : techniques de réduction de la dimension, classification non supervisée dans les sous-espaces de dimension (subspace clustering); Fouille de données textuelles : modèle TF-IDF et analyse sémantique latente; Prospection du Web : algorithmes HITS et PageRank. | ||||
2. Objectifs spécifiques du cours : | ||||
Au terme de cette activité, l'étudiant(e) aura acquis des connaissances sur :
| ||||
3. Stratégies pédagogiques : | ||||
Les formules pédagogiques suivantes seront utilisées:
| ||||
4. Heures de disponibilité ou modalités pour rendez-vous : | ||||
Bureau : B-2022 Téléphone : 819-595-3900, poste 1601 Courriel : Mohandsaid.allili@uqo.ca | ||||
5. Plan détaillé du cours sur 15 semaines : | ||||
Semaine | Thèmes | Dates | ||
1 |
Introduction à l'apprentissage par ordinateur
|
07 sept. 2018 | ||
2 |
Concepts et types d'apprentissage
|
14 sept. 2018 | ||
3 |
Algorithmes de classification supervisée I
|
21 sept. 2018 | ||
4 |
Algorithmes de classification supervisée II
|
28 sept. 2018 | ||
5 |
Algorithmes de classification supervisée III
|
05 oct. 2018 | ||
6 |
Semaine d'études |
12 oct. 2018 | ||
7 |
Examen de mi-session |
19 oct. 2018 | ||
8 |
Algorithmes de regroupement de données
|
26 oct. 2018 | ||
9 |
Réseaux Bayésiens
|
02 nov. 2018 | ||
10 |
Techniques de réduction de dimensions
|
09 nov. 2018 | ||
11 |
Analyse et classification de données textuelles et Web
|
16 nov. 2018 | ||
12 |
Analyse et classification de données visuelles
|
23 nov. 2018 | ||
13 |
Présentation des mini-projets |
30 nov. 2018 | ||
14 |
Présentation des mini-projets |
07 déc. 2018 | ||
15 |
Examen final |
14 déc. 2018 | ||
6. Évaluation du cours : | ||||
L’étudiant(e) dans ce cours sera évalué(e) par les examens de mi-session et final, ainsi que par des projets de session. La pondération de la note finale se fera comme suit :
Pour les projets, l’évaluation sera répartie comme suit :
Il s'agit de tester sur la plateforme Matlab des applications basées sur des techniques d'apprentissage. La plateforme Matlab est disponible dans les laboratoires de l'UQO ou téléchargée sur le Web.
Il s'agit de tester/développer des projets sur l'apprentissage par ordinateur. Ces derniers peuvent être dans l'analyse de données multimédias: texte, son, image ou Web. Quelques projets seront fournis pour le professeur. Néanmoins, les étudiants auront la liberté de choisir des projets dans des domaines d'applications qu'ils souhaitent. L'évaluation se fera sur deux volets :
Une moyenne générale inférieure à 64 % est éliminatoire et conduit automatiquement à l'échec de l’étudiant(e). Tout retard dans la remise d'un travail entraîne une pénalité de 10 %/jour sur la note attribuée à ce travail. La qualité du français sera considérée lors de la correction des travaux. | ||||
7. Politiques départementales et institutionnelles : | ||||
| ||||
8. Principales références : | ||||
http://ciml.info/ | ||||
9. Page Web du cours : | ||||
https://moodle.uqo.ca |