Université du Québec à Montréal - LabUnix

Université du Québec à Montréal Prof. Mounir Boukadoum
Doctorat en Informatique Cognitive Bureau : PK4640
Tél. : [phone], poste 4565
[email protected]
Syllabus du cours DIC9310 :
Introduction au traitement de l’information par réseaux neuronaux
I . Objectif du cours :
Introduire l'étudiant aux principes théoriques et pratiques servant au traitement de l`information par
réseaux neuronaux ; lui permettre de comparer les réseaux biologiques aux réseaux artificiels.
II. Plan du cours :
- Concepts de base du traitement de l'information par réseaux neuronaux
- Comparaison avec l'approche symbolique classique en intelligence artificielle
- Les neurones biologiques
o Les tissus excitables et les récepteurs sensoriels ; les réponses continues et par potentiel
d’action
o La génération et la propagation de potentiels d’action dans les neurones
o La sommation dendritique (synapses excitatrices et inhibitrices)
o Le cortex cérébral et les fonctions de haut niveau ; exemple de la vision
o La nécessité des règles d’apprentissage pour éviter l`explosion combinatoire des neurones
- Les réseaux de neurones artificiels
o Applications, types d'architecture, règles de transmission et règles d'apprentissage
o le perceptron
o les modèles associatifs hebbiens
o les modèles compétitifs
o les modèles basés sur la minimisation d'erreur
Des exemples d’applications seront donnés pour chaque type de réseau.
III. Références :
[1] Annexes de cours.
Recommandés :
[2] Laurene Faussett, Fundamentals of neural networks, architectures, algorithms and applications,
Wiley 1994 (Livre de type cook-book avec présentation systématique des principaux types de RNAs
accompagnés d’exemples d’application)
[3] Sid Deutsch et Alice Deutsch, Understanding the nervous system, an engineering approach,
IEEE Press, 1993 (bonne introduction à la neurophysiologie du système nerveux central ; faite par deux

ingénieurs)
Autres livres recommandés (demandent de bonnes bases en mathématiques) :
[1] Simon Haykin, Neural networks, a comprehensive foundation, Prentice hall, 1999 (Une vraie
encyclopédie, mais tend à regarder les réseaux comme une extension de techniques d’analyse de données par des
moyens statistiques)
[2] José C. Principe, Neil R. Euliano et W. Curt Lefebvre, Neural and adaptive systems, Wiley
2000. (Excellent livre pour comparer les RNA avec des techniques d’approximation adaptative classiques)
[3] Andrzej Cichocki et Rolf Unbehauen, Neural networks for optimization and signal processing,
Wiley, 1993 (Montre différentes applications des réseaux à retro-propagation pour résoudre des problèmes
d’approximation et d’optimisation)
[4] Les journaux IEEE Spectrum, Computer, Transactions on neural networks ; International journal
of neural networks ; Networks ; Psychophysiology , etc.
IV. Évaluation :
1 présentation orale vers la fin de la session 20%
1 rapport écrit sur la présentation 30%
1 projet 25%
1 Examen final 25%
Barème :
A :  87.7%, B:  76.7%, 86.6%], C: 66.7%, 76.6%], D:  60%, 66.6%], E: 60%
Longueur des rapports : Tout comme pour la consommation de substances euphorisantes, la
modération a bien meilleur goût !
9/07

Analyse d’articles
But :
Approfondir ses connaissances reliées aux réseaux neuronaux en faisant la lecture d’au moins
trois articles de recherche (ou un livre récent) portant sur un sujet spécifique ; pratiquer ses
capacités de présentation orale devant un auditoire.
Énoncé :
1. Lire un minimum de trois articles de recherche (ou un livre récent) portant sur un sujet
dans l’un des domaines suivants :
- Approfondissement des connaissances sur une architecture de réseau vue en classe ;
- Amélioration d’une architecture vue en classe ;
- Étude d’une nouvelle architecture ;
- Applications dans un domaine donné.
2. Rédiger un rapport qui résume le sujet.
3. Faire une présentation orale de 20 mn.
Note : Cette activité peut être reliée au sujet du Projet.
Échéancier : les deux dernières semaines de la session

Projet
But :
Familiariser l’étudiant avec l’usage et les problèmes y affairant des réseaux de neurones
artificiels. ; lui permettre de faire la synthèse de différents concepts vus dans le cours.
Énoncé :
Mettre en œuvre d’un ou plusieurs réseaux de neurones artificiels pour résoudre un problème de :
- Classification
- Regroupement/Catégorisation
- Approximation de fonctions
- Prévision/prédiction
- Optimisation
- Mémoires adressables par contenu
- Automatique
Des sujets spécifiques pourraient être :
- Un problème relié au sujet de recherche de l’étudiant
- La comparaison de deux architectures neuronales
- Une tentative d’expliquer une fonction cognitive par une architecture neuronale
Le but n’est pas d’obtenir nécessairement des résultats probants et vous êtes libres d’innover à
loisir. Cependant, seuls les « educated guesses » seront acceptés si vous vous lancez dans les arts
divinatoires !
Le rapport doit justifier le choix du réseau, le nombre de neurones utilisés, le nombre de couches
s’il y a lieu, les paramètres d’apprentissage, les problèmes rencontrés, leur solution éventuelle,
etc. L’environnement de mise en œuvre est secondaire, mais il est fortement suggéré d’utiliser
SNNS ou Matlab.
Échéancier : La fin de la session