Scolarité
Deuxième cycle - 3,0 crédit(s)
Département
Département d'informatique et d'ingénierie
Objectifs
Permettre aux étudiants de maîtriser les concepts fondamentaux de l’apprentissage automatique et d’appliquer ces notions à des problèmes concrets. Leur faire acquérir des connaissances sur les techniques d’apprentissage supervisé et non supervisé, les techniques d’apprentissage pour les données textuelles, les algorithmes de classement des pages Web.
Contenu
Concepts d’apprentissage supervisé : classification et régression, frontière de décision et fonctions discriminantes; Arbres de décision et techniques de traitement du sur-apprentissage (overfitting); Apprentissage par ensemble : (bagging), (boosting) et forêt d’arbres; Machine à noyaux : dimension VC et machines à supports vectorielles; Apprentissage non supervisé : (clustering), les mélanges de loi de distribution statistique, carte de Kohonen et algorithme SOFM; Apprentissage de données multidimensionnelles : techniques de réduction de la dimension, classification non supervisée dans les sous-espaces de dimension (subspace clustering); Fouille de données textuelles : modèle TF-IDF et analyse sémantique latente; Prospection du Web : algorithmes HITS et PageRank.
Exigences de qualification pour l'enseignement
Diplôme(s)
Doctorat dans un secteur lié spécifiquement au contenu du cours ou doctorat dans un secteur disciplinaire connexe au cours.
Expérience
Dans le cas d’un doctorat dans un secteur disciplinaire connexe au cours : expérience en recherche ou en intervention professionnelle dans un domaine lié au contenu du cours.
Corps professionnel
Aucun
Autre(s) exigence(s)
Dans tous les cas, la candidate, le candidat devra pouvoir démontrer sa capacité à communiquer efficacement oralement et par écrit ainsi qu’à transmettre les connaissances ou les habiletés pertinentes au contenu du cours pour lequel les exigences de qualification pour l’enseignement (EQE) sont adoptées.
CAFF
6401 - Code général du secteur Sciences de l'informatique