MATH80629

Prérequis

Calendrier

Évaluation

Soutien

Référence

Évaluation:

• Devoir (20%)
  • Date d’Échéance le 24 octobre 2023 à 23h59.
  • Les devoirs comptent pour 20 % de votre note finale.
  • Les devoirs doivent être réalisés dans Jupyter Notebook ou dans Google Colab .

  • Les devoirs doivent être effectués sur Google Colab ici.

  • Instructions :
    • Veuillez m’envoyer un courriel contenant une version PDF de votre devoir et insérez le lien partageable vers votre cahier.
    • Les devoirs doivent être complétés individuellement.
      • La discussion avec d’autres personnes est autorisée, mais vous devez rédiger vos solutions vous-même.
    • Tout code utilisé pour arriver aux réponses doit être soumis en même temps que les réponses.
    • Notes :
      • Veuillez fournir vos réponses en code dans le bloc de code sous chaque question, et les réponses verbales dans les zones de texte assignées dans le cahier (si applicable).
      • Veuillez exécuter le cahier avant la soumission afin que les résultats s’affichent.
      • Assurez-vous que vos résultats soient reproductibles. Vous pouvez utiliser des graines aléatoires à partir des packages random et numpy. Pour les modules scikit-learn, vous pouvez utiliser l’argument random_state.
• Projet (30%)

  • Objective du projet L’objectif de ce projet est de vous permettre d’apprendre le machine learning en essayant de résoudre une tâche avec celui-ci.

    Tout d’abord, choisissez une question à laquelle vous pouvez répondre en utilisant le machine learning. J’attends que votre question porte sur un modèle/algorithme ou sur une application. Ensuite, concevez une étude qui tentera de répondre à votre question. Votre étude doit comporter un élément de nouveauté. Par exemple, la nouveauté pourrait être une extension ou une variation d’un algorithme existant ou les résultats d’une méthode existante sur un nouvel ensemble de données.

    Votre étude devrait impliquer la lecture et la compréhension de documents de référence. Votre étude doit également inclure l’exécution d’expériences. Vous êtes libre d’utiliser (ou non) les outils ou les modèles que nous avons vus en classe.

  • Plan d’étude (10% de 30%) (1 téléchargement par groupe) Veuillez m’envoyer par courriel un résumé d’une page de votre question de recherche proposée et de votre étude.

    Par la suit, je rencontrerai chaque groupe pour discuter des plans d’étude pendant la séance de cours du 25 Octobre. on vous enverra un emploi du temps la veille par un annonce sur zone cours.

    Nous aurons probablement seulement environ 15 minutes, veuillez donc vous assurer que votre plan d’étude est clair et précis. Vous pouvez également inclure des questions que vous aimeriez que nous discutions à la fin du document.

  • Rapport du projet (85% de 30%) (1 téléchargement par groupe) Votre rapport doit contenir une description de la question à laquelle vous essayez de répondre, une description claire du modèle/algorithme que vous étudiez, une revue des travaux connexes avec des références appropriées, une section empirique qui rend compte de vos résultats, et une conclusion qui résume vos découvertes et, le cas échéant, met en évidence les futures orientations possibles de la recherche. Votre rapport ne doit pas dépasser 10 pages (hors références) pour les binômes ou 13 pages (hors références) pour les équipes de trois.

    Barème d’évaluation

    • Clarté / Pertinence de l’énoncé du problème et description de l’approche : 10 %
    • Discussion de la relation avec les travaux précédents et références : 4 %
    • Conception et réalisation des expériences : 10 %
    • Figures/Tables/Rédaction : facilement lisibles, correctement étiquetées, * informatives : 5 %
    • Rapport individuel : 1 %
  • Rapport individuel (5% de 30%) (1 téléchargement par étudinat) Vous soumettrez également un bref rapport individuel (d’au plus une page), qui devra :
    • (1) Décrire les parties du projet sur lesquelles vous avez travaillé (quelles méthodes d’apprentissage automatique vous avez appliquées, quelles étapes de prétraitement vous avez effectuées sur les données, quelles parties du travail écrit vous avez rédigées, avec qui vous avez collaboré sur quelles parties, etc.) et quelles parties du projet vos coéquipiers ont travaillé.
    • (2) Ce que vous avez appris du projet. Le but du rapport individuel est de faciliter l’évaluation équitable et de permettre à l’instructeur de bien comprendre ce que vous avez appris du projet.
  • Calendier
    • Inscription des équipes, date limite : 1er octobre, par courriel
    • Plan d’étude, date limite : le 23 octobre au plus tard 23h59
      • Remise des travaux : Via courriel
    • Réunion de projet, 25 octobre
    • Postor du projet, date limite : le 26 Novembre.
      • Remise des travaux : Via courriel
      • PDF de votre postor.
    • Présentation en classe, le 29 novembre.
    • Raport du projet, le 7 décembre.
    • Rapport individuel final, date limite : le 15 décembre au plus tard 23h59
      • Remise des travaux : Via courriel (par chaque membre de l’équipe).
• Présentation du projet (10%) Créez un poster décrivant votre projet. Vous pouvez considérer un poster comme un support pour votre présentation orale (de cette manière, il est similaire aux diapositives). Il pourrait également suivre une structure similaire : commencez par motiver votre travail, puis mettez en avant rapidement les travaux connexes, parlez en détail de votre solution, puis passez aux résultats (les images et les tableaux sont de bons outils pour cela), enfin concluez et mentionnez peut-être une ou deux idées pour des travaux futurs.
  • Barème d’évaluation
    • Clarté de la présentation : 3 %
    • Qualité des diapositives ou du poster : 2 %
    • Exactitude : 2 %
    • Réponses aux questions : 3 %
• Examen final (30%)
  • Consultez HEC Enligne pour les details
  • Ancien examen final: Fall 2018

• Quiz (10%) 6 quiz :)

• Devoir Facultatif (Bonus de 5%)
  • une resumé de demis page sur Biais Algorithmique avec une exemple personlalisé.
  • L’exemple peut être l’impact du biais algorithmique sur votre vie personnelle.
  • La date du remise le 19 decembre à 23h.
  • N’oubliez pas qeu ce devoir est FACULATIF :)

Politiques sur la Fraude et le Plagiat

HEC Montréal a une politique stricte en cas de fraude ou de plagiat. En cas d’infraction, le professeur doit faire un signalement auprès du directeur du département. Une procédure administrative est alors automatiquement enclenchée avec les conséquences suivantes : l’infraction est enregistrée dans votre dossier et une sanction est décidée (qui peut être grave et aller jusqu’au renvoi en cas de récidive). Il est essentiel que vous réalisiez le travail par vous-même !