École de technologie supérieure Département de génie de la production automatisée Responsable(s) du cours : Crédits : Richard Lepage, ing., Ph.D. GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE Préalable(s) : Aucun PLAN DE COURS SESSION AUTOMNE 201 1. Coordonnées de l enseignant Information variable / enseignant Groupe 01: Richard Lepage (Richard.Lepage@etsmtl.ca) A- 78 Disponibilité : mardi 2. Descriptif officiel du cours - Information fixe / Description annuaire À la fin de ce cours, l étudiant sera en mesure de : définir le domaine de l intelligence artificielle et particulièrement les réseaux de neurones; résoudre des problèmes d ingénierie à l aide des réseaux de neurones. Intelligence artificielle : définition, caractéristiques et architecture de base, représentation des connaissances, mécanismes d'inférence, raisonnement avec incertitude, stratégies de contrôle et méthodologie de construction. Réseaux de neurones : définition, caractéristiques, fondements biologiques, structure et fonctionnement de base, méthodologie de construction et présentation des principaux modèles. Les modèles sont présentés dans un contexte de système de reconnaissance de forme. Séances de laboratoire : analyser le comportement des réseaux de neurones; réaliser et appliquer les réseaux de neurones pour fin de reconnaissance de forme.. Objectifs spécifiques du cours - Information variable / enseignant Choisir un modèle approprié afin de résoudre un problème formulé en termes connexionnistes; Mettre au point des simulations simples de systèmes de classification et d extraction de descripteurs; Identifier et décrire les principales caractéristiques et les principes de base de l intelligence artificielle; Décrire les différentes formes de représentation des connaissances et les principes de l'apprentissage automatique; Définir les composantes d un système expert et d un système à base de connaissances 4. Stratégies pédagogiques utilisées Information variable / enseignant 9 heures de cours magistral (enseignement théorique) 6 heures de laboratoire heures de travail personnel (en moyenne) par semaine Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 1
Pour atteindre les objectifs, l étudiant assistera à des exposés magistraux à raison de h0 par semaine et à des séances de laboratoire ( h par semaine) durant lesquelles il pourra simuler le fonctionnement de divers modèles de réseaux de neurones appliqués à des problèmes de classification et d extraction de descripteurs visuels. 5. Contenu du cours Information variable / enseignant Distribution du contenu du cours conformément à la description annuaire. Il est à noter que le total des heures de cours doit totaliser 9 heures. Date Contenus traités dans le cours Heures 1 Introduction à l intelligence artificielle 4 septembre Aperçu général de l IA Historique Le neurone artificiel 2 Paramètres du neurone : fonction d activation, de sortie, d apprentissage 9 septembre Réseaux de neurones Taxonomie des principaux modèles Simulateurs Domaines d application Principaux domaines : classification, regroupement, association, approximation, prédiction Reconnaissance de forme Extraction des primitives 11 septembre Base d apprentissage Classification Perceptron de Rosenblatt Séparateur linéaire adaptatif Neurone de McCulloch & Pitts Perceptron de Rosenblatt Adaline et Madalines de Widrow Perceptron multicouche 4 Gradient de l erreur Modèle à rétro propagation du gradient d erreur 18 septembre Limitations et améliorations Applications 5 2 octobre Applications du perceptron multicouche Méthodes à noyaux Réseaux à base radiale 6 Séparation linéaire par projection dans un espace à dimension élevée 9 octobre Machines à vecteurs supports (SVM) Applications Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 2
7 16 octobre Mémoires associatives Types de mémoire associative Apprentissage hebbien par corrélation Formes d entrée orthogonales Formes d entrée linéairement indépendantes Vecteurs propres et valeurs propres de la matrice de corrélation Capacité de stockage 8 0 octobre 9 6 novembre 10 1 novembre 11 20 novembre 12 27 novembre 1 4 décembre Réseaux récurrents Réseau de Hopfield Activation asynchrone Minimisation de l énergie du système Recuit simulé Machine de Boltzmann EXAMEN DE MI- SESSION Réseaux résonants ART Couche de compétition Modèle générique ART1 Apprentissage Modèles ART2 et ARTMAP Réseaux de neurones compétitifs Réseaux de compétition linéaires Analyse par composantes principales : réseaux d Oja et de Sanger Réseaux de quantification vectorielle Cartes topologiques de Kohonen Apprentissage automatique Types d apprentissage Constitution des bases de données : apprentissage, vérification et test Arrêt de l apprentissage Classification multiple Performance : courbes ROC Introduction aux systèmes experts Définition et historique Types de systèmes experts Domaines d application Architecture de base Fonctionnement Total 9 Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE
6. Laboratoires ou travaux pratiques Information variable / enseignant Il est à noter que le total des heures de laboratoires ou travaux pratiques doit totaliser 24 heures ( cr.) ou 6 heures (4 cr.) Date Description Heures 16 et 2 Labo 1- Le perceptron de Rosenblatt 6 septembre 0 septembre 7 octobre Labo 2 Extraction des primitives d une image par apprentissage supervisé Base d apprentissage 12 15 octobre 21 octobre Apprentissage Généralisation 28 octobre et Labo : Réseau de Hopfield discret 6 4 novembre 11, 18 et 25 Labo 4 : Réseau ART discret 9 novembre 2 décembre Labo 5 : Réseau SOM de Kohonen Total 6 7. Utilisation d outils d ingénierie Information variable / enseignant PCs Logiciels de simulation de réseaux de neurones : MATLAB et JavaNNS 8. Évaluation Information variable / enseignant Activité Description % Date de remise Laboratoire 5 séances de laboratoire portant sur les réseaux de neurones 0 Voir site Moodle du cours Quiz 4 Quiz en début de cours. Correction de 2 sur 4 10 Site du cours Intra 0 6 novembre Final 0 Horaire d'examens finaux Retard de remise d un travail Information variable / enseignant La date de remise des rapports de laboratoire est indiquée sur le plan détaillé et précisée sur le site du cours. Une pénalité de 10 points par jour ouvrable de retard sera appliquée. Utilisation d appareils électroniques Information variable / enseignant Les appareils électroniques (ipod Touch, téléphone intelligent, tablette, ordinateur portable) sont permis durant les cours, à des fins pédagogiques uniquement. La calculatrice est permise durant les cours et est le seul appareil électronique permis durant les examens. Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 4
9. Documentation obligatoire Information variable / enseignant LEPAGE, R. et B. SOLAIMAN (200). Les réseaux de neurones artificiels et leurs applications en imagerie et en vision par ordinateur, Coop ÉTS. 10. Ouvrages de référence Information variable / enseignant DREYFUS, G., J.- M. MARTINEZ, M. SAMUELIDES, M.B. GORDON, F. BADRAN, S. THIRIA et L. HÉRAULT (2002). Réseaux de neurones : Méthodologie et applications, Eyrolles. HAYKIN, S. (2009). Neural Networks and Learning Machines», e éd., Pearson Education. MEHROTRA, K., K.M. CHILUKURI et S. RANKA (1997). Elements of Artificial Neural Networks, The MIT Press. SKAPURA, D. M. (1996). Building Neural Networks, Addison- Wesley. Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 5
GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE ANNEXE I 1. Caractéristiques du cours Information fixe / rappel Responsable(s) du cours : Richard Lepage Coordonnées de l enseignant : Groupe 01: Richard Lepage (Richard.Lepage@etsmtl.ca) Préalables : Aucun Crédits : 2. Descriptif officiel du cours Information fixe / Description annuaire À la fin de ce cours, l étudiant sera en mesure de : définir le domaine de l intelligence artificielle et particulièrement les réseaux de neurones; résoudre des problèmes d ingénierie à l aide des réseaux de neurones. Intelligence artificielle : définition, caractéristiques et architecture de base, représentation des connaissances, mécanismes d'inférence, raisonnement avec incertitude, stratégies de contrôle et méthodologie de construction. Réseaux de neurones : définition, caractéristiques, fondements biologiques, structure et fonctionnement de base, méthodologie de construction et présentation des principaux modèles. Les modèles sont présentés dans un contexte de système de reconnaissance de forme. Séances de laboratoire : analyser le comportement des réseaux de neurones; réaliser et appliquer les réseaux de neurones pour fin de reconnaissance de forme.. Répartition des unités d agrément du BCAPG - Information fixe / institution Maths Sciences naturelles Études complémen- taires Science du génie Conception en ingénierie Total 0,0 0,0 0,0 21,6 4,2 64,8 4. Qualités (Qx) et compétences (Cy) enseignées et/ou évaluées - Information fixe / identification des qualités et compétences 5. Évaluation Absence à un examen Information fixe Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l étudiant devra justifier son absence auprès de la coordonnatrice Affaires départementales qui en référera au directeur du département. Pour un examen final, l étudiant devra justifier son absence Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 6
auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d un parent immédiat ou autre) à un examen entraînera l attribution de la note zéro (0). Plagiat et fraude Information fixe Les clauses du «Chapitre 10 : Plagiat et fraude» du «Règlement des études de 1 er cycle» s appliquent dans ce cours ainsi que dans tous les cours du département. Afin de se sensibiliser au respect de la propriété intellectuelle, tous les étudiants doivent consulter la page Citer, pas plagier! http://www.etsmtl.ca/etudiants- actuels/cycles- sup/realisation- etudes/citer- pas- plagier Session automne 201 GPA759 RÉSEAUX DE NEURONES ET INTELLIGENCE ARTIFICIELLE 7