IFT6266 Algorithmes d'apprentissage (Automne 2008)

Contact

Professeur: Yoshua Bengio (bengioy [at] iro.umontreal.ca)
Disponibilité: par rendez-vous (3253 Pavillon André-Aisenstadt).

Démonstrateur: James Bergstra (pift6266 [at] iro.umontreal.ca)
Disponibilité: par rendez-vous (3256 Pavillon André-Aisenstadt; Labo LISA)

Nouvelles

Objectifs

La recherche sur les algorithmes d'apprentissage statistique a mené à d'importantes découvertes au cours des deux dernières décennies, qui ont changé la manière de concevoir le problème de rendre les ordinateurs plus intelligents. Ces algorithmes ont pour objectif de permettre à la machine d'apprendre à partir d'exemples. Ils cherchent à découvrir la structure cachée d'un ensemble de signaux à partir des valeurs observées. Ils sont utiles pour la prédiction, la prise de décision et l'analyse de données. Ils ont mené à de nouveaux champs commerciaux, comme le "data-mining", l'analyse statistique de données textuelles pour le web et la gestion quantitative de portefeuilles financiers. Ce cours est complémentaire au cours IFT6390 (si les deux cours sont suivis il est recommandé de commencer par IFT6390). Voir aussi le plan de cours (PDF).

Cours

Activité Gr. Jour De A Du Au Local Immeuble
th   Mer. 10:30 12:30 3 sept. 15 oct. Z-209 PAV. C-MCNICOLL
th   Lun. 10:30 12:30 8 sept. 6 oct. Z-209 PAV. C-MCNICOLL
27 oct. 8 déc. Z-209 PAV. C-MCNICOLL
th   Mer. 10:30 12:30 29 oct. 3 déc. Z-209 PAV. C-MCNICOLL

Prérequis formels

Aucuns.

Cependant, une bonne base en statistiques, probabilités et algèbre linéaire sera importante.

Pour ceux dont le bagage mathématique est peut-être insuffisant, il est conseillé de prendre le cours IFT6390 (Fondements de l'apprentissage machine), donné à l'hiver.

Evaluation

L'évaluation de l'étudiant se fera au moyen de deux examens (un intra et un final) et de devoirs théoriques et pratiques. Les devoirs seront donnés environ à chaque deux semaines, sauf le travail final qui sera plus substantiel et impliquera la comparaison et l'évaluation d'algorithmes d'apprentissage. Les examens compteront pour 50% des points (25% chacun pour l'intra et le final) et les devoirs pour le reste des points. Le travail final comptera pour 20% des points.

Textes

Le livre principal pour le cours est le livre de Christopher Bishop: Pattern recognition and Machine Learning, Springer, 2006. Il a été commandé à la Librairie de l'Université de Montréal.

Des articles et autres documents seront assignés en lecture hebdomadaire.