IFT 3395 - Automne 2021 - Fondements de l'Apprentissage Machine


Important : Nous allons utiliser Piazza comme principale plateforme pour les discussions et la diffusion des ressources pédagogiques. Vous devriez recevoir un email d'invitation pour rejoindre la page Piazza du cours sur votre adresse @umontreal.ca (celle que vous utilisez pour vous connecter à Studium). Vous devriez également recevoir un email d'invitation pour rejoindre la page Gradescope du cours que nous utiliserons pour le rendu des devoirs maison et les quizzes.

Liens importants : Professeur: Guillaume Rabusseau. Consultation: après le cours ou sur rendez-vous. Si vous avez des questions pressantes à me poser, essayez de parler directement avec moi à la fin du cours. email: prenom.nom[at]umontreal.ca
Auxiliaires d'enseignement: TBD

Horaire du cours


Mercredi 9h30 - 11h30 Théorie B-3290 Pav. 3200 J.-Brillant
Jeudi 9h30 - 10h30 Théorie 1355 Pav. André-Aisenstadt
Jeudi 10h30 - 12h30 Labo (pratique) 1340 Pav. André-Aisenstadt

Heures de permanence


G. Rabusseau  Mercredis 11h30 - 12h00
TAs IFT3395 TBD TBD TBD
TAs IFT6390 TBD TBD
TBD

Contenu et objectifs du cours

Ce cours est une introduction aux algorithmes d'apprentissage, un champ de recherche en intelligence artificielle. Ces algorithmes ont pour objectif de permettre à la machine d'apprendre à partir d'exemples. Le focus du cours est la classification et la régression: on observe un ensemble de paires (observation, cible) où la cible est par ex. une classe et on essaye de prédire la cible correspondant à une nouvelle observation. Les applications classiques de ces algorithmes se font dans le domaine de reconnaissance des formes (caractères, image, parole, etc.). Dans les dernières années plusieurs nouveaux champs d'applications sont apparus: le forage des données, l'analyse statistique de données textuelles, ou la gestion quantitative de portefeuilles financiers, l'analyse des expressions génétiques, etc. La matière du cours peut être donc exploitée dans nombreux domaines de l'informatique.

Le cours couvrira les sujets suivants: notions générales (terminologie de base, généralisation, malédiction de la dimensionnalité, capacité, comparaison des classifieurs), algorithmes supervisés (k plus proches voisins, classifieurs linéaires, réseaux de neurones, machines à vecteur de support, arbres de décision et régression, méthodes d'ensemble), algorithmes non-supervisés (analyse en composantes principales, méthode de k-moyennes), survol des modèles graphiques probabilistes, théorie de l'apprentissage.

Évaluation


Mode d'évaluation Valeur
Devoirs maison 40% 3 devoirs comportant des parties théoriques et de programmation et d'expérimentation et une compétition.
Quizzes 30% Chaque semaine un court quizz en ligne (~15mn).
Examen final 30%


Travaux et examens:

Nous utiliserons la plateforme gradescope pour le dépôt des devoirs maison. Plus d'information sur l'utilisation de gradescope vous seront données lors de l'une des premières séances de démonstration.

ATTENTION à la la fraude et au plagiat! L'Université de Montréal a une politique stricte en cas de fraude ou plagiat. Si une infraction est constatée, le professeur est tenu de faire un rapport au directeur du département. Une procédure administrative est alors automatiquement enclenchée avec les conséquences suivantes: l'infraction est notée à votre dossier, et une sanction est décidée (qui peut être grave et aller jusqu'au renvoi en cas de récidive). Alors faites le travail vous-même!

Instructions pour les devoirs maison

Gradescope

Partie écrite des devoirs (théorie et pratique)

Partie pratique des devoirs (code)

Politique pour le plaggiat et la triche

Bien que les étudiants soient encouragés à discuter des stratégies de solution pour les devoirs, le travail remis doit être le leur. Les étudiants qui ont des réponses en double à n'importe quelle sous-partie de toute question du devoir ou du matériel plagié - sur la partie théorique ou pratique - recevront 0 pour tout le devoir. Il n'y aura pas d'exceptions.

Notions couvertes dans ce cours (à titre indicatif):

Livres de référence pour le cours

Aucun livre n'est obligatoire pour suivre le cours. Pour approfondir la matière du cours vous pouvez vous référer à l'un ou l'autre des ouvrages suivants :