Cours et horaires - Automne 2023
| Professeur | Sigle du cours et nom du cours | Description | Crédits | Horaires | Date de début | Date de fin | Lieu |
| Simon Lacoste-Julien | IFT 6269 – Modèles Graphiques probabilistes et apprentissage | Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données. | 4 | Mardi et jeudi de 14h30 à 16h30 | 5 septembre | 8 décembre | Mila – Auditorium 1 & 2 |
| Ioannis Mitliagkas | IFT 6390 – Fondements de l’Apprentissage Machine | Éléments de base des algorithmes d’apprentissage statistique et symbolique. Exemples d’applications en forage de données, reconnaissance des formes, régression non linéaire, et données temporelles. | 4 | ||||
| Sarath Chandar | INF8250AE – Reinforcement Learning | Designing autonomous decision making systems is one of the longstanding goals of Artificial Intelligence. Such decision making systems, if realized, can have a big impact in machine learning for robotics, game playing, control, health care to name a few. This course introduces Reinforcement Learning as a general framework to design such autonomous decision making systems. By the end of this course, you will have a solid knowledge of the core challenges in designing RL systems and how to approach them. | 4 | Lundi de 12h45 à 15h45 | Poly L-1710 | ||
| Jackie C. K. Cheung | COMP 550 – Natural Language Processing | Cours donné en anglais
Une introduction à la modélisation informatique du langage naturel, y compris des algorithmes, des formalismes et des applications. Morphologie informatique, modélisation du langage, analyse syntaxique, sémantique lexicale et compositionnelle et analyse du discours. Applications sélectionnées telles que la synthèse automatique, la traduction automatique et le traitement de la parole. Techniques d’apprentissage automatique pour le traitement du langage naturel. |
3 | ||||
| Reihaneh Rabbany | COMP 599 – Network Science | Cours donné en anglais
Une introduction à la science des réseaux, c’est un cours mi-conférence mi-séminaire. Les réseaux modélisent les relations dans les systèmes complexes, depuis les hyperliens entre les pages web et les coauteurs entre chercheurs jusqu’aux interactions biologiques entre les protéines et les gènes, en passant par les liens synaptiques entre les neurones. La science des réseaux est un domaine de recherche interdisciplinaire impliquant des chercheurs en physique, informatique, sociologie, mathématiques et statistiques, avec des applications dans un large éventail de domaines dont la biologie, la médecine, les sciences politiques, le marketing, l’écologie, la criminologie, etc. Dans ce cours, nous couvrirons les concepts et techniques de base utilisés dans la science des réseaux, nous passerons en revue les techniques de pointe et nous discuterons des développements les plus récents. |
3 | Mardi et jeudi de 10h à 11h30 | En personne à McGill avec accommodation virtuelle | ||
| Guy Wolf | MAT 6493 – Analyse géométrique de données | Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.
Le cours est prévu pour être donné en anglais (pour accommoder des étudiants anglophones), sauf si tous les étudiants en classe sont francophones et demandent qu’il soit donné en français. Néanmoins, tous les travaux faits par les étudiants pourront toujours être remis en français. |
4 | Mardi et jeudi – de 15h30 à 17h20 | UdeM : 5183 Pav. Andre-Aisenstadt | ||
| Sarath Chandar | INF8245E – Machine Learning | This course provides a rigorous introduction to the field of machine learning (ML). The aim of the course is not just to teach how to use ML algorithms but also to explain why, how, and when these algorithms work. The course introduces fundamental algorithms in supervised learning and unsupervised learning from the first principles. The course, while covering several problems in machine learning like regression, classification, representation learning, dimensionality reduction, will introduce the core theory, which unifies all the algorithms. | 3 | Mercredi de 9h30 à 12h30 | August 30, 2023 | Poly M-1510 | |
| Gauthier Gidel + Glen Berseth | IFT 6758 – Science des données | (Cours en anglais et Francais) L’objectif de ce cours est d’introduire les idées (théorie et pratique) nécessaires pour aborder et résoudre les problèmes de science des données. La première partie du cours couvrira les principes de l’analyse des données, les bases des différents types de modèles et l’inférence statistique. La seconde partie se développe dans les méthodes statistiques et les techniques pratiques pour traiter des modalités courantes de données – image, texte et graphes. Les cadres de programmation spécifiques requis pour la science des données seront abordés au cours des sessions de laboratoire. | 4 | Ma 11h30 – 12h30
Je 16h30 – 18h30 Labo Ma : 12h30 – 14h30 |
TBA | ||
| Pierre-Luc Bacon | IFT 61662 | Cours avancé en apprentissage par renforcement. Méthodes par ascension du gradient de la politique, estimation de dérivées, analyse des algorithmes d’approximation de fonction de valeur, contrôle optimal en temps discret et différentiation automatique, optimisation à bi-niveau en méta-apprentissage par renforcement et apprentissage par renforcement inverse. | 4 | Mardi et jeudi de 12h30 à 14 h 30 | Septembre | Octobre | Mila – Auditorium 1 |
| Aishwarya Agrawal | IFT 6135 — Representation Learning | This is a course on representation learning in general and deep learning in particular. Deep learning has recently been responsible for a large number of impressive empirical gains across a wide array of applications including most dramatically in object recognition and detection in images, natural language processing and speech recognition.
In this course we will explore both the fundamentals and recent advances in the area of deep learning. Our focus will be on neural network-type models including convolutional neural networks and recurrent neural networks such as LSTMs. We will also review recent work on attention mechanism and efforts to incorporate memory structures into neural network models. We will also consider some of the modern neural network-base generative models such as Generative Adversarial Networks and Variational Autoencoders. |
4 | Mercredi et vendredi de 13h30 à 15h30 | 6 septembre | Fin novembre/Début décembre | Mila – Auditorium 1 & 2 |