Skip to main content
Moodle
  • Home
  • Aide
    FAQ pour ÉTUDIANT(E)S FAQ pour ENSEIGNANT(E)S Site de soutien à l'édition
  • Liens utiles
    Polyfolio Dossier étudiant Les 12 qualités requises en génie Répertoire des cours Bibliothèque Courriel IMP
  • More
Close
Toggle search input
English ‎(en)‎
English ‎(en)‎ Français ‎(fr)‎
You are currently using guest access
Log in
Moodle
Home Aide Collapse Expand
FAQ pour ÉTUDIANT(E)S FAQ pour ENSEIGNANT(E)S Site de soutien à l'édition
Liens utiles Collapse Expand
Polyfolio Dossier étudiant Les 12 qualités requises en génie Répertoire des cours Bibliothèque Courriel IMP
Expand all Collapse all
  1. Dashboard
  2. MTH8302 - Analyse de régression et analyse de variance (Hiver 2025)
  3. Leçon 4 : Modèles Linéaires Généralisés et Méthodes Classiques d'Apprentissage Supervisé
  4. Devoir 4 - Méthodes Classiques d'Apprentissage Supervisé et Validation Croisée

Devoir 4 - Méthodes Classiques d'Apprentissage Supervisé et Validation Croisée

Completion requirements
Opened: Sunday, 20 April 2025, 12:00 AM
Due: Monday, 28 April 2025, 11:59 PM

Bonjour à toutes et à tous,

L’énoncé du Devoir 4 : Méthodes Classiques d’Apprentissage Supervisé et Validation Croisée est désormais disponible sur Moodle. Vous avez 8 jours pour le compléter et le soumettre.

Vous trouverez :

  • L’énoncé du devoir (au format PDF), incluant les questions théoriques, les consignes de codage, et les éléments à analyser.

  • L'import direct du jeu de données Digits (fourni directement via la bibliothèque scikit-learn), utilisé pour une tâche de reconnaissance optique de chiffres manuscrits.

Ce devoir vise à approfondir votre compréhension des modèles de classification, de leurs formulations théoriques, et de leur évaluation. Vous serez amenés à :

  • Implémenter une régression logistique multiclasse avec descente de gradient.

  • Implémenter l’Analyse Discriminante Linéaire (LDA) multiclasse selon deux approches complémentaires :

    • Une formulation bayésienne (modèle probabiliste),

    • Une formulation géométrique (critère de Rayleigh généralisé, aussi appelé critère de Fisher).

  • Comparer les deux formulations à l’aide de la validation croisée.

  • Analyser la convergence des métriques, les notions de biais/variance, et la qualité des prédictions via la matrice de confusion.

  • Répondre à des QCM théoriques portant sur les modèles, les métriques d’évaluation et les effets de la régularisation.

Modalités de remise : Un seul fichier PDF contenant :

  • Le code Python complété (classes, fonctions, visualisations) ;

  • Vos réponses aux questions ouvertes et aux QCM ;

  • Les résultats produits (métriques, graphiques, matrices, etc.) ;

  • Vos analyses personnelles (convergence, interprétabilité, biais/variance, comparaison des approches).

Instructions importantes :

  • Prenez le temps de lire l’ensemble du devoir avant de commencer. Cela vous aidera à mieux en comprendre la structure et à planifier vos réponses.

  • Répondez aux questions de façon rigoureuse, en justifiant vos choix avec des arguments clairs, mathématiques si nécessaire.

  • Remarque sur les QCM :

    • Lorsqu’il est demandé de fournir vos réponses, il peut y avoir plusieurs bonnes réponses.

    • Lorsqu’il est demandé votre réponse, une seule est attendue.

Besoin d’aide ? Je suis disponible pour répondre à vos questions pendant les séances de cours, par courriel, ou sur le forum du cours. Commencez le devoir le plus tôt possible afin de disposer du temps nécessaire pour bien le compléter et poser vos questions si besoin.

Bon travail à toutes et à tous et bonne chance ! 


  • MTH8302___Devoir_4___Méthodes_Classiques_d_Apprentissage_Supervisé_et_Validation_Croisée__Version_Finale___Questions_.pdf MTH8302___Devoir_4___Méthodes_Classiques_d_Apprentissage_Supervisé_et_Validation_Croisée__Version_Finale___Questions_.pdf
    20 April 2025, 1:32 PM
Contact Moodle technical support
You are currently using guest access (Log in)
Policies
Get the mobile app
Powered by Moodle