8/27/2018 IFT3395/6390 Fondements de l'apprentissage machine

IFT3395/6390
Fondements de l'apprentissage machine

Hiver 2009

Informations et plan de cours

Site web du cours (cette page): http://www.iro.umontreal.ca/~vincentp/ift3395
Professeur: Pascal Vincent. Consultation: après le cours ou sur rendez-vous.
Je suis notoirement très lent à répondre aux emails. Si vous avez des questions pressantes à me poser, essayez si possible de venir directement me voir. Le mieux
c'est à la fin d'un cours.
Démos: Rendez-vous sur la page de démos pour les documents relatifs aux séances de travaux pratiques et de laboratoires.
Questions: Si vous avez des questions posez-les de préférence sur le forum du cours sur Moodle, visible à tous. Nous tâcherons d'y répondrons directement sur le
forum.
Si vous voulez nous poser des questions privées aux démonstrateurs et à moi-même, envoyez un emai à [email protected]

Dernières nouvelles
Vendredi 9 janvier 2009: Premier cours de 9h30 à 10h30 au local 1409. Bienvenue à tous!
Il n'y aura pas de TP/Labo ce vendredi 9 janvier car nous n'aurons pas vu assez de matière.
Vous devez vous inscrire sur le système Moodle. Après y avoir créé un compte (si vous n'en avez pas déjà un), choisissez le cours IFT3395/6390 et inscrivez-vous
y.
[ Cliquez sur Moodle pour accéder au système ]
C'est au travers du système Moodle que vous seront communiquées les nouvelles concernant le cours, que vous pourrez poser des questions sur les forums, et que
vous pourrez remettre vos travaux et consulter vos notes.
Premier TP/Labo ce vendredi 16 janvier. Si vous ne connaissez pas déjà Python, prenez un moment pour passer à travers le tutoriel de Python 2.5 (la verison
actuellement installée au DIRO) avant la démo de vendredi.
TOUTES LES ANNONCES SONT DÉSORMAIS FAITES SUR LE FORUM DE Moodle.

Horaire
Mardi 13h30 - 15h30 Théorie AA 1409
Vendredi 9h30 - 10h30 Théorie AA 1409
Vendredi 10h30 - 11h30 Travaux pratiques AA 1409
Vendredi 11h30 - 12h30 Labo AA 3181

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: on observe un ensemble de paires (obser- vation, classe) et on essaye de prédire la classe
d'une nouvelle observation. Les applications classiques de ces algorithmes se font dans le domaine de reconnaissance des formes (caractères, 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 dimensionalité, 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, apprentissage
des règles symboliques, boosting, processus Gaussiens), algorithmes non- supervisés (analyse des composantes principales, quantisation vectorielle, méthode de k-
moyennes, cartes auto-organisatrices, méthodes spectrales), modèles graphiques.

Evaluation
Pour IFT6390
Mode d'évaluation Valeur
Travaux pratiques 24% 3 devoirs comptant pour 8% chaque.
Projet individuel 26% Proposition: 17 mars. Rapport d'étape: 27 mars. Rapport final: fin avril
Examen intra 25% Mardi 17 février (13h30-15h30, salle 1409, pavillon André Aisenstadt)
Examen final 25% Vendredi 24 avril (9h30-12h30, salle 1175, pavillon André Aisenstadt)

Pour IFT3395
Mode d'évaluation Valeur
Travaux pratiques 30% 3 devoirs comptant pour 10% chaque.

http://www.iro.umontreal.ca/~vincentp/ift3390/index_H09.html 1/3
8/27/2018 IFT3395/6390 Fondements de l'apprentissage machine
Examen intra 35% Mardi 17 février (13h30-15h30, salle 1409, pavillon André Aisenstadt)
Examen final 35% Vendredi 24 avril (9h30-12h30, salle 1175, pavillon André Aisenstadt))

Remarque: Le projet est obligatoire pour les étudiants d'IFT6390 mais optionnel pour les étudiants d'IFT3395. Les étudiants d'IFT3395 qui souhaitent ardamment réaliser
un projet sont encouragés à le faire. Leur note finale sera alors calculée selon le barème IFT6390 ou IFT3395 qui résultera en la meilleure note. Remarquez cependant
qu'un projet exige un important travail supplémentaire. Cette option n'est donc recommandée qu'aux étudiants désireux d'appliquer l'apprentissage machine à un projet de
leur choix, qui leur tient à coeur, et motivés à y consacrer suffisamment de temps. Dans tous les cas cette option est soumise à l'approbation du projet par le professeur.

Examen intra:
Travaux pratiques: 3 devoirs comportant des parties théoriques et des parties de programmation. Ils se font individuellement.
Projet individuel: (optionnel pour les étudiants d'IFT3395) Application des algorithmes d'apprentissage à une tâche proposée par l'étudiant et/ou implémentation
d'un nouvel algorithme d'apprentissage (programmation, expérimentation, et comparaison de performance). Le projet doit être préalablement approuvé par le
professeur. Proposition (environ 2 pages) pour début mars. Rapport d'étape (environ 2 pages) pour la fin mars. Projet final (max 8 pages, style NIPS) pour la fin
avril. Les étudiants devront également effectuer une présentation orale de leur projet (15 à 20 mn pendant les dernières semaines du cours).

Examens et notes
Concernant la fraude et le plagiat ATTENTION! L'Université de Montréal a désormais une politique stricte en cas de fraude ou plagiat. Si une infraction est constaté,
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 en cas de récidive). Alors faites le travail vous-même!

Les énoncés des examens des années passées se trouvent sur la page du cours de ces années:

Page du cours que j'ai donné à l'Hiver 2008 (incluant les énoncés des examens) 
Page du cours que j'ai donné à l'Hiver 2007 (incluant les énoncés des examens) 
Page du cours donné par Balázs Kégl à l'Hiver 2006

Énoncés des examens de cette session Hiver 2009: Examen Intra.

Livre recommandé 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'aure des livres suivants : 

Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

Duda, Hart and Stork, Pattern Classification, Wiley-Interscience, 2000.
David J.C. MacKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003.
On peut également le télécharger librement du site web de l'auteur.
Hastie, Tibshirani, Friedman, The Elements of Statistical Learning, Springer-Verlag, 2001.
Simon Haykin, Neural Networks and Learning Machines, 2008.
Alpaydin, Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, 2004.

Contenu détaillé des cours (planifiés ou effectués), lectures, échéances et travaux
Notez que l'horaire ci-dessous est préliminaire. Le détail des thèmes de cours pour les dates futures est donné à titre indicatif seulement, et sera mis à jour et
adapté au cours de l'année. De même, les liens vers les diapos utilisées pour les cours seront mis à jour au fur et à mesure.

Semaine Date Thème du cours Matériel du cours Matériel imprimable (fonds blanc, 4 é

1 9.01.2009 Présentation du cours et introduction introduction.pdf

Terminologie de l'apprentissage supervisé. Formalisation des 2_rappel_terminologie_supervise.pdf terminologie.pdf
 2 13.01.2009
méthodes à base de voisinage 2_formalisation_voisinage.pdf voisinage.pdf
Méthodes de type histogramme. Malédiction de la dimensionalité. 3_histo_curse_capacity.pdf histo_curse.pdf
16.01.2009 Formalisation du problème de l'apprentissage. Notions de capacité
et sur-apprentissage. 3_ProblemeApprentissage.pdf ProblemeApprentissage.pdf
Méthodes à base de voisinage: k-NN et fenêtres de Parzen pour
3 20.01.2009 4_kNN_Parzen.pdf kNN_Parzen.pdf
classification, régression et estimation de densité.
5_classifieur_bayes.pdf Bayes_classif.pdf
Classification multiclasse et régression multiple. Rappels de
23.01.2009  
proba. Classifieur de Bayes. Classifieur de Bayes Naif.
ProbabilitesBalazs.pdf ProbaBalazs.pdf
Distributions. Gaussienne multivariée. Evaluation de la
 4 27.01.2009 6_gaussienne_evalperf.pdf Gaussienne_Evalperf.pdf
performance de généralisation. Courbes d'apprentissage.
7_FonctionsDiscriminantes.pdf FoctionsDiscriminantes.pdf
Fonctions discriminantes. Modèles génératifs et méthodes
30.01.2009
paramétriques. Principe du maximum de vraisemblance.
7_MethodesParametriques.pdf MethodesParametriques.pdf
Rappels sur principe de minimisation du risque empirique pour la
classification, la régression et l'estimation de densité. Lien avec
5  03.02.2009 principe du maximum de vraisemblance pour l'estimaiton de
densité. Dérivation de la solution de maximum de vraisemblance
pour une densité paramétrique Gaussienne univariée (1d).
06.02.2009 Fonctions discriminantes linéaires. DiscriminantesLineaires.pdf DiscriminantesLineaires.pdf
 6 10.02.2009 Fonctions discriminantes linéaires (suite).  

http://www.iro.umontreal.ca/~vincentp/ift3390/index_H09.html 2/3
8/27/2018 IFT3395/6390 Fondements de l'apprentissage machine

13.02.2009 Descente de gradient, Perceptron.  

Examen intra 13h30-15h30 en salle 1409, pavillon André
 7 17.02.2009
Aisenstadt

20.02.2009 Machines à Vecteurs de Support: cas linéaire   

 8 24.02.2009 L'astuce du noyau  kernel_trick.pdf kernel_trick.pdf (4/page)

27.02.2009  
9 03.03.2009 Semaine de lecture (pas de cours)
06.03.2009 Semaine de lecture (pas de cours)
10 10.03.2009 Correction de l'intra
13.03.2009 Survol: de la régression linéaire aux réseaux de neurones FromLinearRegressionToNNets.pdf FromLinearRegressionToNNets.pdf (4/p
11 17.03.2009 Réseaux de Neurones. ReseauxDeNeurones.pdf ReseauxDeNeurones.pdf
Learning representations by back-
errors, par Rumelhart, Hinton et W
vol. 323, octobre 1986. L'article f
réseaux de neurones "modernes" (
Calcul de gradient dans les réseaux de neurones.  Voir les notes de Yoshua sur le calcul
  20.03.2009 sur la rétro-propagation pour les r
Régularisation et weight decay. de gradient.
couches.
Le tutoriel de Yann LeCun sur l'en
réseaux de neurones.

12  24.03.2009 Arbres de décision ArbresDeDecision.pdf ArbresDeDecision.pdf (4/page)

Pour cette introduction aux méthodes  Présentation de l'algo AdaBoost d
d'ensembles de classifieurs, je vous transparents de Jiri Matas et Jan S
invite à consulter le chapitre de Peter Vision du boosting comme descen
Méta algorithmes, méthodes à base d'ensemble de classifieurs: Bühlmann Bagging, Boosting and dans l'espace des fonctions (Pasca
27.03.2009 bagging, ensembles d'entraînements pondérés, introduction au Ensemble Methods. Pour une présentation plus poussé
boosting (AdaBoost). J'expliquerai aussi l'algorthme une formulation un peu différente
AdaBoost en me fondant sur les base), voir les transparents de Bal
transparents de Jiri Matas et Kégl: Boosting.pdf et  BoostingEx
Jan Sochman.
Pas de transparents pour ce cours. A Je donne ici en référence les transparent
Survol de l'apprentissage non-supervisé
vous de prendre des notes. l'apprentissage non-supervisé, pour réfé
Ex. d'algorithme de partitionnement (clustering): k- Pour les algorithmes de je vais peu ou pas m'en servir pour la pa
moyennes
partitionnement  (clustering) voir le portant sur l'apprentissage non supervisé
13 31.03.2009 Introduction aux modèles graphiques probabilistes (réseaux
tutoriel de Matteucci. Bref: VENEZ ASSISTER AU COURS!
Bayesiens).
Pour la dernière partie je me baserai sur ApprentissageNonSupervise.pdf
Introduction aux modèles graphiques ApprentissageNonSupervise2.pdf
probabilistes par Kevin Murphy  ApprentissageNonSupervise3.pdf
Je n'ai pas de transparents pour ce
03.04.2009 Mélange de densités et algorithme E.M.
cours. PRENEZ DES NOTES!
Apprentissage non supervisé: réduction de dimensionalité, Réduction de dimensionalité, modèles à
14 07.04.2009 continuous_latent_variables_print.pdf
modèles à variables latentes continues. variables latentes continues.
  10.04.2009 Pas de cours (Congé de Pâques)
15 14.04.2009 Présentations de projets
  17.04.2009 Présentations de projets  
16 21.04.2009 Pas de cours (semaine d'examen)  
Examen final  9h30-12h30
  24.04.2009  
salle 1175, pavillon André Aisenstadt
17 28.04.2009 Pas de cours (semaine d'examen)  

Autres références (ouvrages plus spécialisés pour approfondir certains sujets)
Schölkopf, Smola, Learning with Kernels, MIT Press, 2002.
La bible des méthodes à noyau modernes.
Cristianini, Shawe-Taylor, An Introduction To Support Vector Machines, Cambridge University Press, 2000.
Couverture simple du sujet des SVM.
Breiman, Friedman, Olshen, Stone, Classification and Regression Trees, CRC Press, 1993.
Devroye, Györfi, Lugosi, A Probabilistic Theory of Pattern Recognition, Springer-Verlag, 1997.
La bible de la théorie de l'apprentissage.
Vapnik, Statistical Learning Theory, Wiley & Sons, 1998.
La théorie de l'apprentissage.
Vapnik, The Nature of Statistical Learning Theory, Springer-Verlag, 1999.
Version plus digeste de Statistical Learning Theory. Focalise sur les principes plutot que sur les détails mathématiques.

http://www.iro.umontreal.ca/~vincentp/ift3390/index_H09.html 3/3