GEI6063 - Sujets avancés sur le «machine-learning»

Niveau :  2e ou 3e cycle
Département : Génie électrique et génie informatique
Crédits :3 crédits
Description :
Le cours couvrira la matières nécessaires pour apprendre à construire et à interpréter des modèles d'apprentissage automatique («machine-learning») et l’apprentissage profond («deep-learning») fiables avec des applications concrètes en ingénierie. En trois parties, il renforcera les connaissances et la pratique de l'étudiant dans la conception et le déploiement de techniques d'apprentissage automatique.

La 1ère partie couvre des sujets tels que la création d'un bon ensemble de données d'entraînement et le prétraitement des données, la compression des données via la réduction de la dimensionnalité, l'augmentation des données, les techniques d'apprentissage automatique telles que la régression logistique, la machine à vecteur de support (SVM), l'arbre de décision, les K plus proches voisins (KNN), les meilleures pratiques d'apprentissage pour l'évaluation des modèles et le réglage des hyperparamètres, la prédiction d'une variable cible continue avec l'analyse de régression ainsi que l’apprentissage avec des données non équilibrées.

La 2ième partie commence par l'implémentation d'un réseau neuronal multicouche et sa parallélisation avec TensorFlow. Cette partie se concentrera ensuite sur les problèmes de classification à l'aide de réseaux de neurones convolutifs (CNN), la modélisation de données séquentielles à l'aide de réseaux de neurones récurrents (RNN), les réseaux adverses génératifs (GAN) pour synthétiser de nouvelles données et l'apprentissage par renforcement (RL) pour la prise de décision dans des environnements complexes.

Dans la 3ième partie du cours, des sujets plus avancés sur :
  • l'apprentissage par transfert ;
  • le méta-apprentissage (réseaux prototypiques, réseaux de relation et de machine, réseaux neuronaux à mémoire augmentée (MANN), méta-apprentissage agnostique de modèle (MAML) et méta-apprentissage agnostique de tâche (TAML)) et
  • l'interprétabilité des modèles d'IA. Après avoir exploré les concepts d'interprétabilité, les modèles interprétables simples tels que l'arbre de décision, les règles de décision et la régression linéaire, l'étudiant se concentrera sur les méthodes générales agnostiques des modèles pour interpréter les modèles de la boîte noire comme l'importance des caractéristiques et les effets locaux accumulés et pour expliquer les prédictions individuelles avec les valeurs de Shapley et le LIME. Les exemples de ce cours seront orientés vers des cas d'utilisation concrets tels que la télécommunication, le domaine biomédical et de la santé, les villes intelligentes, le manufacturier intelligent et l'efficacité énergétique.
Université du Québec
à Trois-Rivières

3351, boul. des Forges,
Trois-Rivières (Québec) G8Z 4M3
Information générale : crmultiservice@uqtr.ca
Téléphone : 819 376-5011
Sans frais : 1 800 365-0922