Département d'informatique. Apprentissage Automatique IFT-65764A. S y l l a b u s. Guy Mineau mineau@ift.ulaval.ca, , PLT-3908C

Transcription

1 Département d'informatique Apprentissage Automatique IFT-65764A S y l l a b u s Guy Mineau mineau@ift.ulaval.ca, , PLT-3908C Automne 2001

2 Page 2 A. Cours Titre : Apprentissage automatique Sigle (Université Laval) : IFT Nombre de crédits : 3 Répartition: : Session : Automne 2001 Salle : PLT-2546 Horaire : Jeudi 15h30-18h20 Premier cours : Jeudi le 6 septembre 2001 B. Professeur Nom et prénom : Mineau, Guy Bureau : PLT-3908C Disponibilités : Me contacter par courrier électronique ou téléphone pour prendre rdv. C. Description et objectifs du cours Description : Ce cours a pour but d initier l étudiant et l étudiante aux différents aspects de l apprentissage automatique, i.e., l apprentissage effectué de façon autonome ou semi-autonome par un programme informatique qui vise à améliorer ses propres performances. Divers sujets y seront donc traités : apprentissage chez l humain, paradigmes de l apprentissage, apprentissage de concepts, classification conceptuelle, réseaux de neurones, algorithmes génétiques, arbres de décision, génération de règles, validation d hypothèses, data mining, etc. Prérequis : Cours de base en intelligence artificielle Objectifs : Au terme du cours, l étudiant et l'étudiante connaîtront les différentes approches reliées à l'informatisation de capacités d'apprentissage, posséderont les connaissances de base sur l'état de l'art en apprentissage automatique, et pourront donc discuter avec une profondeur relative de cette problématique de façon intelligible et articulée. Dans une perspective plus générale, le cours a aussi pour but de développer leur capacité d'analyse ainsi que leur jugement scientifique.

3 Page 3 Importance dans le programme : Ce cours est très important dans un programme d'études graduées en intelligence artificielle. En effet, les capacités d'association et d'adaptation sont souvent désignées comme étant une mesure d'évaluation de l'intelligence. Ces capacités sont à la base de tout processus d'apprentissage. Un système basé sur de la connaissance ne pourra croître que s'il peut apprendre. On pourrait même supposer qu'il ne pourra survivre que s'il peut apprendre. Pour un étudiant ou une étudiante qui s'intéresse à l'intelligence artificielle, l'informatisation de capacités d'apprentissage revêt donc un intérêt indéniable. D. Évaluation des apprentissages Modes d évaluation et pondération : Examen : 45% Tests sur articles scientifiques (20%, 5%) : 25% TP: Travail long sur un sujet de recherche et présentation orale 30% 100% Barème avec seuil: si (examen < 50%) alors cote = E; sinon note-finale = Examen + Tests + TP; et pour la cote, voir tableau ci-bas; Note de passage : cote C (et plus). Les cotes seront attribuées grosso modo selon la distribution suivante. Toutefois, le professeur se réserve le droit de les ajuster indépendamment de cette répartition afin d'effectuer une évaluation comparative des étudiants et étudiantes du cours. Attribution des cotes : A + [85-100] A [81-85[ A - [78-81[ Réussite B + [75-78[ B [71-75[ B - [68-71[ Réussite C + [63-68[ C [50-63[ Réussite E [0-50[ Échec

4 Page 4 Remarques: La qualité du français écrit sera évaluée: de 10% à 25% de la note du test ou de l'examen, ou du document de présentation orale pourra être retranché. Cette évaluation est subjective et est laissée à la discrétion du professeur. Les notes sont calculées sans décimale après le point. L arrondi à l'entier suivant se fait si le premier chiffre de la partie décimale est plus grand ou égal à 5. Tout travail non remis dans les délais prévus se verra attribuer la note 0, sauf si justification appropriée. Aucun retard ne sera accepté sans raison jugée valable par le professeur! Il s agit donc de date et d heure de remise très strictes ; aucune dérogation possible! Toute absence justifiée à l examen entraînera l'obligation de s'inscrire à un examen de reprise. Celui-ci pourra être écrit ou oral. Le tout est laissé à la discrétion du professeur, selon le nombre et la disponibilité des étudiants en cause, et selon la disponibilité du professeur. Toute justification, afin d'être considérée valable, doit être parvenue au professeur le plus tôt possible, préférablement avant la date de l'examen, du test, ou de remise du travail en question. Toutefois, dans des cas extrêmes et marginaux, un délai maximum de 3 jours ouvrables après une date de tombée sera accepté. Révision de note : à demander au professeur dans un délai de 10 jours ouvrables après la remise du travail ou de l'examen corrigé. Révision de cote : selon le règlements des études. Les travaux devront éventuellement s effectuer en équipe. Les équipes seront constituées en classe dès le début de la session. Le nombre de personnes par équipe variera en fonction du nombre d étudiants et d étudiantes inscrits au cours. On suppose que tout travail remis par une équipe constituera une contribution originale et distincte de travaux remis par d'autres équipes. Le plagiat est strictement défendu. Tout examen (et test) ou travail plagié obtiendra la note 0. Les étudiants ou étudiantes ayant collaboré au plagiat obtiendront la note 0 pour ce même travail ou examen. De plus, ils ou elles seront soumis aux sanctions normalement prévues à cet effet par les règlements de l Université, ce qui peut aller jusqu à un échec automatique pour ce cours (cote E), selon la gravité de la faute. Aux examens, on permet toute documentation que ce soit, sauf avis contraire. Toutefois, les calculatrices sont interdites.

5 Page 5 E. Contenu Jeudi 6 septembre : Semaine 1 Présentation du cours Introduction : problématique et motivation Jeudi 13 septembre : Semaine 2 Introduction (suite) Concepts de base Jeudi 20 septembre : Semaine 3 Espaces de généralisations (incluant l espace des versions) Jeudi 27 septembre : Semaine 4 Attribution des sujets pour le travail long (TP) Espaces de généralisations (suite) À lire : article #1 Arbres de décision Jeudi 4 octobre : Semaine 5 Arbres de décision (suite) À lire : article #2 Jeudi 11 octobre : Semaine 6 Classification conceptuelle Jeudi 18 octobre : Semaine 7 Classification conceptuelle (suite) À lire : article #3 Classification d'objets complexes : théorie et complexité Jeudi 25 octobre : Semaine 8 Analyse formelle de concepts Treillis et hiérarchies de concepts : applications et exemples comparatifs Jeudi 1 novembre : Semaine 9 Aucune activité : semaine de relâche Jeudi 8 novembre : Semaine 10 Test sur articles #1, #2 et #3 Apprentissage à base d'instances

6 Page 6 Jeudi 15 novembre : Semaine 11 Apprentissage à base d instances (suite) À lire : article #4 Apprentissage bayésien Jeudi 22 novembre : Semaine 12 Apprentissage bayésien (suite) Présentation de 2 travaux longs : Algorithmes génétiques Programmation génétique Jeudi 29 novembre : Semaine 13 Présentation de 2 travaux longs Text Mining Programmation logique inductive Jeudi 6 décembre : Semaine 14 Présentation de 2 travaux longs : Réseaux de neurones Reinforcement Learning Jeudi 13 décembre : Semaine 15 Examen final incluant le test sur l'article #4 (15h30 à 18h20, local à déterminer) F. Bibliographie Manuels obligatoires: Mitchell, T.M., (1997). Machine Learning. McGraw-Hill. Mineau, G.W., (1999). IFT : Recueil de textes. Autres références: R.S. Michalski, J.G. Carbonell & T.M. Mitchell, (1983). Machine Learning: An Artificial Intelligence Approach, vol. I. Morgan Kaufmann. R.S. Michalski, J.G. Carbonell & T.M. Mitchell, (1986). Machine Learning: An Artificial Intelligence Approach, vol. II. Morgan Kaufmann. Y. Kodratoff & R.S. Michalski, (1990). Machine Learning: An Artificial Intelligence Approach, vol. III. Morgan Kaufmann.

7 Page 7 R.S. Michalski, G. Tecuci, (1994). Machine Learning: A Multistrategy Approach, vol. IV. Morgan Kaufmann. Y. Kodratoff, (1988). Introduction to Machine Learning. Morgan Kaufmann. Machine Learning Journal. Kluwer Academic Press. Readings in Machine Learning. Morgan Kaufmann. Actes des conférences ML (Machine Learning), ECML (European Conference on Machine Learning), KDD (Knowledge Discovery in Databases), PKDD (Practical Applications of Knowledge Discovery in Databases). Actes des conférences IJCAI (International Joint Conference on Artificial Intelligence), AAAI (American Association for Artificial Intelligence), ECAI (European Conference on Artificial Intelligence). autres revues scientifiques : KDD journal, AI journal, etc. G. Date de dernière mise à jour Le 1er septembre H. Liste des sujets pour le travail long Le Data Mining La sélection d attributs (feature selection) et les techniques de discrétisation de données numériques Le Text Mining Les algorithmes génétiques Les réseaux de neurones La programmation logique inductive (ILP) Le Reinforcement Learning L apprentissage chez l être humain Et autres