Fondements de l'apprentissage machine (IFT3395/6390)

automne 2014



Local

cours théorique:
Mercredi 15:30 - 17:30 S-144 Pav. Roger-Gaudry
Jeudi 9:30 - 10:30 Z-210 Pav. Claire-McNicoll

démo:
Jeudi 10:30 - 12:30 1340 Pav. Andre-Aisenstadt

Professeur

Roland Memisevic
Consultation: après le cours ou sur rendez-vous.
roland.memisevic..at..umontreal.ca
Démos: Xavier Bouthillier (xavier.bouthillier..at..umontreal.ca), Sébastien Jean (jeasebas..at..iro.umontreal.ca)

Exigences

Préalable: MAT1600 ET MAT1978 ET IFT2125

Généralement des connaisances des probabilités, statistique, algèbre linéaire, l'algorithmiques, programmation

Livres recommandés 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 M. Bishop: Pattern Recognition and Machine Learning (la base de la majorité du cours)

David MacKay: Information Theory, Inference, and Learning Algorithms
Hastie, Tibshirani, Friedman: The Elements of Statistical Learning
Duda and Hart: Pattern Classification

Evaluation

Pour IFT3395
Mode d'évaluation Valeur
Travaux pratiques 40% 3 devoirs comportant des parties théoriques et de programmation et d'expérimentation.
Examen intra 30% 15 oct, 15h30: P-310 Pav. Roger-Gaudry
Examen final 30% 11 dec, 09:30 - 11:30 B-2325 Pav. 3200 J.-Brillant

Pour IFT6390
Mode d'évaluation Valeur
Travaux pratiques 25% 3 devoirs comportant des parties théoriques et de programmation et d'expérimentation.
Examen intra 25% 15 oct, 15h30: P-310 Pav. Roger-Gaudry
Examen final 25% 11 dec, 09:30 - 11:30 B-2325 Pav. 3200 J.-Brillant
Projet 25%


Programme (provisoire)

Date Cours Sujet Lectures supplémentaires Matériel du cours
3 Sept théorique Introduction Livre chapitre 1 notes
4 Sept théorique Introduction (cont)
4 Sept démo Intro python explications
exercices
10 Sept théorique Révision des probabilités chapitres 1.2, (2.1-2.3) notes
11 Sept théorique Régression linéaire chapitre 3 notes
11 Sept démo Intro Python/numpy explications
exercices
iris
17 Sept théorique Régression linéaire (cont)
18 Sept théorique Révision gaussiennes
18 Sept démo Distribution gaussienne et
classifieur
exercices v1.1
maximum de vraisemblance
24 Sept théorique Classification linéaire chapitres 4.1, 4.2, 4.3 notes
25 Sept théorique Classification linéaire (cont)
25 Sept démo Classifieur de bayes et
régression linéaire
exercices - gaussiennes v1.2
corrigé - gaussiennes v1.2
exercices - régression linéaire v1.1
corrigé - régression linéaire v1.1
utilitaires4.py
1 Oct théorique Réseaux de neurones chapitres 5.1-5.3, 5.5
Learning representations by back-propagating errors
notes

aide au devoir 1

devoir 1
devoir 1 in english
valeur: 14% pour IFT3395, 8% pour IFT6390
2 Oct théorique Réseaux de neurones (cont)
2 Oct démo Classification linéaire et
aide au devoir
exercices - classification v1.1
corrigé - classification v1.1
utilitaires5.py
8 Oct théorique Raisonnement bayesien chapitres 2.1, 2.2, 2.3, 3.3, 3.4, 3.5 devoir 1 à remettre
notes
9 Oct théorique Raisonnement bayesien (cont)
9 Oct démo Examen pratique
15 Oct Examen intra Examen intra Examen intra 15h30, Local: P-310 Pav. Roger-Gaudry
16 Oct théorique Raisonnement bayesien (cont)
16 Oct démo Régression linéaire et
correction du devoir
Tutoriel Theano
Theano.zip
Installation theano sur les comptes diro
Régression logistique
exercices - régression logistique v1.2
corrige - régression logistique
utilitaires6.py
corrigé - devoir1
29 Oct théorique Raisonnement bayesien (cont)
30 Oct théorique pas de classe pas de classe
30 Oct démo Réseaux de neurones devoir 2 (version corrigé)
devoir 2 in english (corrected version)
valeur: 12% pour IFT3395, 8% pour IFT6390

exercices - réseaux de neurones
corrigé - réseaux de neurones
utilitaires7.py
5 Nov théorique Apprentissage non-supervisé, clustering chapitres 2.3.9, 9.1-9.4 notes
6 Nov théorique Apprentissage non-supervisé, clustering (cont)
6 Nov démo exercices - clustering
utilitaires8.v1.1.py
corrigé - clusters
12 Nov théorique Variables latentes continues, PCA chapitres 12.1, 12.2, 12.4 devoir 2 à remettre

notes
13 Nov théorique Variables latentes continues, PCA (cont)
13 Nov démo PCA exercices - PCA
corrigé - PCA
19 Nov théorique Modélisation de séquences, HMM chapitres 13.1, 13.2
Rabiner tutorat
notes
devoir 3
devoir 3 in english
valeur: 14% pour IFT3395, 9% pour IFT6390

20 Nov théorique Modélisation de séquences, HMM (cont)
20 Nov démo consultations sur le projet
26 Nov théorique Modèles graphiques chapitre 8 notes
27 Nov théorique Modèles graphiques (cont.) devoir 3 à remettre
27 Nov démo exercices - GMM , classifieur de Bayes
3 Dec théorique Modèles non-paramétriques chapitre 6, 7.1 notes
4 Dec théorique
4 Dec démo consultations, questions
11 Dec Examen final Examen final Examen final 09:30 - 12:29 B-2325 Pav. 3200 J.-Brillant




Toutes les informations sur ce site sont pour référence seulement et peuvent changer à tout moment.