IFT 3710/6759 H23 - Projets (avancés) en apprentissage automatique

Description du cours

L’objectif de ce cours est de vous préparer à vous attaquer à des projets pratiques d’apprentissage automatique. Pendant le cours, vous travaillerez sur les principales étapes des projets d’apprentissage automatique, y compris l’acquisition des données, le prétraitement des données, l’entraînement des modèles, l’analyse des résultats et la présentation des résultats et des conclusions. Les compétences développées pendant ce cours comprennent l’analyse documentaire d’un problème particulier, l’apprentissage automatique pratique et théorique, Python pour la science des données, PyTorch, le contrôle de version avec git et les commandes Linux de base.

Plan du cours

1. Introduction au cours
2. Linux et Python pour l’apprentissage automatique
3. Contrôle de version avec git et GitHub
4. Clusters HPC
5. Revue de l’apprentissage automatique
6. Revue de l’apprentissage profond
7. Visualisation des données
8. Tutoriel PyTorch avancé
9. Travail sur les projets

Critères d’évaluation

Les étudiant·e·s seront évalués entièrement en fonction de leur travail sur les projets. Vous devrez participer à un projet et travailler en équipe de 3–5 personnes. Vous pouvez choisir parmi une liste de projets préparés par les instructeurs, ou proposer vos propres projets, à condition qu’ils répondent à certains critères. L’évaluation finale tiendra compte des éléments suivants :

• La difficulté du projet
• Performance des algorithmes développés
• Présentation orale
• Rapport écrit
• Qualité du code

Note importante : La note sera binaire (réussite ou échec), et non dans une échelle de lettres.

Pré-requis

Pourquoi des pré-requis ?

• IFT 3710/6759 H23 ne s’agit pas d’un cours d’introduction à l’apprentissage automatique, mais d’un cours pour apprendre à travailler sur des projets d’apprentissage automatique.
• Toutes et tous les étudiant·e·s doivent être en mesure de contribuer à l’équipe.

Quels sont les pré-requis ?

• Concepts de base de l’apprentissage automatique : il y aura une session de révision.
• Concepts de base de l’apprentissage profond : il y aura une session de révision.
• Familiarité avec Python.
• Familiarité avec PyTorch : il y aura une session de tutorat.
• Commandes Linux de base : il y aura une session de tutorat.
• Familiarité avec git et GitHub : il y aura une session de tutorat.

Note importante : Si vous n’êtes pas certain·e d’avoir suffisamment de connaissances sur les sujets ci-dessus pour pouvoir contribuer à une équipe et donc réussir le cours, contactez l’instructeur dès que possible pour évaluer vos connaissances et prendre une décision ensemble.

Liens utiles

• À propos des projects
• Instructions pour la présentation, le rapport final et le code
• Lien vers la page de StudiUM
• Lien vers la page d’admission publique de l’IFT 3710
• Lien vers la page d’admission publique de l’IFT 6759
• Lien vers la page du cours l’hiver 2022 (en anglais)

Session d’hiver 2023

Les cours ont lieu le :

• Les mercredis, 16h30–18h30 (ET) : 1175 Pav. André-Aisenstadt
• Les vendredis, de 9h30 à 11h30 (ET) : 1175 Pav. André-Aisenstadt

Ressources

• Abu-Mostafa, Y. S., Magdon-Ismail, M., & Lin, H. T. (2012). Learning from data. AMLBook.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Apprentissage profond. MIT press.
• Anish, Jose, Jon (dernière visite le 10 janvier 2023). The Missing Semester of Your CS Education. CSAIL MIT.
• Linux introduction for Windows and Mac users. Compute Canada wiki.
• Python tutorial: An informal introduction to Python. www.python.org.
• PyTorch tutorials. pytorch.org.
• Deep Learning Tutorials. Neuromatch Deep Learning course.