Cours et horaires - Automne 2022 (liste préliminaire)
Voir la liste complète des cours sur DIRO
Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
---|---|---|---|---|---|
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 | Ma : 16h30 – 18h30 Ven : 15h – 17h | 06/09/2022 09/09/2022 Mila |
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 | TBD | TBD |
Sarath Chandar | INF8953DE – Reinforcement Learning | Ce cours est donné en anglais. 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. | 3 | TBD | TBD |
Laurent Charlin | MATH 80629 Apprentissage automatique I : Analyse des Mégadonnées et Prise de décision | Ce cours porte sur les modèles d’apprentissage automatique (machine learning). En plus des modèles standards, nous étudierons aussi les modèles pour analyser les comportements des utilisateurs ainsi que pour la prise de décision. Nous étudierons en plus des modèles récents pour les systèmes de recommandations ainsi que pour la prise de décision (apprentissage par renforcement). I am teaching both the English and the French version in Fall 2022. | 3 | [Français] Me : 8h30 – 11h30 [Anglais] Lu : 8h30 – 11h30 | [Français] 31/08/22 [Anglais] 29/08/22HEC |
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 | TBD | TBD
|
Timothy J. O’Donnell | COMP598/LING 682 – Probabilistic Programming | Ce cours est donné en anglais. Probabilistic inference viewed as a form of non-standard interpretation of programming languages with a focus on sampling algorithms using the programming language Gen. | TBD | TBD | TBD |
Reihaney Rabbany | COMP 596 – 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 | TBD | TBD |
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 | Lu : 13h30 – 17h20 | TBD UdeM : 4186 Pav. Andre-Aisenstadt |
Sarath Chandar | INF8953CE – Machine Learning | Ce cours fournit une introduction rigoureuse au domaine de l’apprentissage automatique (ML). L’objectif du cours n’est pas seulement d’enseigner comment utiliser les algorithmes de ML, mais aussi d’expliquer pourquoi, comment et quand ces algorithmes fonctionnent. Le cours présente les fondamentaux algorithmes en apprentissage supervisé et apprentissage non supervisé à partir des premiers principes.Le cours, tout en couvrant plusieurs problèmes d’apprentissage automatique comme la régression, la classification, l’apprentissage des représentations, la réduction de dimensionnalité, introduira la théorie de base, qui unifie tous les algorithmes. | 3 | TBD | TBD |
Gauthier Gidel et Glen Berseth | IFT 6758 – Science des données | Ce cours offert en anglais et français. 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 | TBD En ligne |
Golnoosh Farnadi | MATH80630 – Trustworthy Machine Learning | This course will teach students to recognize where and understand why ethical issues and policy questions can arise when applying data science to real world problems. It will focus on ways to conceptualize, measure, and mitigate bias in data-driven decision-making. This is a graduate course, in which we will cover methods for trustworthy and ethical machine learning and AI, focusing on the technical perspective of methods that allow addressing current ethical issues. Recent years have shown that unintended discrimination arises naturally and frequently in the use of machine learning and algorithmic decision making. We will work systematically towards a technical understanding of this problem mindful of its social and legal context. This course will bring analytic and technical precision to normative debates about the role that data science, machine learning, and artificial intelligence play in consequential decision-making in commerce, employment, finance, healthcare, education, policing, and other areas. Students will learn to think critically about how to plan, execute, and evaluate a project with these concerns in mind, and how to cope with novel challenges for which there are often no easy answers or established solutions. | 3 | Ven : 15h30 – 18h30 | 27/08/2022 |
Aishwarya Agrawal | IFT 6135 – Apprentissage de représentations | Ce cours est donné en anglais Algorithmes d’apprentissage de représentations des données et réseaux de neurones artificiels profonds. Avantages de l’apprentissage profond pour l’intelligence artificielle. Modélisation de la distribution de probabilité des données. | 4 | Ma : 09h30 – 11h30 Ven :12h30 – 14h30 | 6/09/202 Agora Mila |
Prakash Panangaden et Joey Bose | COMP760: Geometry and Generative Models | Ce cours est donné en anglais In recent years Deep Generative Models have seen remarkable success over a variety of data domains such as images, text, and audio to name a few. However, the predominant approach in many of these models (e.g. GANS, VAE, Normalizing Flows) is to treat data as fixed-dimensional continuous vectors in some Euclidean space, despite significant evidence to the contrary (e.g. 3D molecules). This course places a direct emphasis on learning generative models for complex geometries described via manifolds, such as spheres, tori, hyperbolic spaces, implicit surfaces, and homogeneous spaces. The purpose of this seminar course is to understand the key design principles that underpin the new wave of geometry-aware generative models that treat the rich geometric structure in data as a first-class citizen. This seminar course will also serve to develop extensions to these approaches at the leading edge of research and as a result, a major component of the course will focus on class participation through presenting papers and a thematically-relevant course project. | 3 | Ven :13h – 16h | Auditorium 1 Mila |
Cours et horaires - Hiver 2023 (liste préliminaire)
Voir la liste complète des cours sur DIRO
Professeur | Cours | Description | Credits | Horaire | Dates |
---|---|---|---|---|---|
Simon Lacoste-Julien | IFT 6132 – Prédiction structurée avancée et optimisation | Ce cours est donné en anglais. La prédiction structurée décrit le problème d’apprendre une correspondance entre des entrées et des sorties structurées, c’est-à-dire des sorties qui sont constituées de parties interdépendantes souvent soumises à des contraintes. Des exemples incluent la prédiction de graphes, d’ordonnancements, d’appareillements, etc., et apparaissent dans de nombreuses applications telles que la vision par ordinateur, le traitement du langage naturel et la biologie computationnelle, parmi d’autres. Il s’agit d’un cours d’apprentissage machine avancé qui se concentrera sur les principes fondamentaux et les outils connexes pour la prédiction structurée. Le cours passera en revue l’état de l’art, fera le lien entre les anciennes et les nouvelles approches, et identifiera les questions en suspens. Il consistera en un mélange de cours magistraux et d’un projet de recherche mené par les étudiants. Prérequis : Je suppose que la plupart du contenu de IFT 6269 modèles graphiques probabilistes sera maitrisé par les étudiants. | 4 | TBD | TBD |
Aaron Courville | IFT 6135 – Apprentissage de représentations | Cours donné en français et en anglais. Algorithmes d’apprentissage de représentations des données et réseaux de neurones artificiels profonds. Avantages de l’apprentissage profond pour l’intelligence artificielle. Modélisation de la distribution de probabilité des données. | 4 | TBD | TBD |
Ioannis Mitliagkas | IFT 6085 – Principes théoriques sur l’apprentissage approfondi
| Ce cours est donné en anglais. La recherche dans le domaine de l’apprentissage profond produit des résultats de pointe sur un certain nombre de tâches d’apprentissage machine. La plupart de ces progrès sont le fruit de l’intuition et d’une exploration massive par essais et erreurs. Par conséquent, la théorie est actuellement à la traîne par rapport à la pratique. La communauté de l’apprentissage machine ne comprend pas pleinement pourquoi les meilleures méthodes fonctionnent. Pourquoi pouvons-nous optimiser de manière fiable des objectifs non convexes ? Dans quelle mesure nos architectures sont-elles expressives, en termes de classe d’hypothèses qu’elles décrivent ? Pourquoi certains de nos modèles les plus complexes généralisent-ils pour donner des exemples inédits lorsque nous utilisons des ensembles de données d’un ordre de grandeur inférieur à ce que la théorie classique de l’apprentissage statistique juge suffisant ? Un symptôme de ce manque de compréhension est que les méthodes d’apprentissage profond manquent largement de garanties et d’interprétabilité, deux propriétés nécessaires aux applications critiques. Plus important encore, une base théorique solide peut aider à la conception d’une nouvelle génération de méthodes efficaces – ce qui permet de répondre au besoin d’une exploration fondée sur des essais et des erreurs aveugles. Dans cette classe, nous passerons en revue un certain nombre de publications récentes qui tentent de faire la lumière sur ces questions. Avant de discuter des nouveaux résultats dans chaque article, nous présenterons d’abord les outils fondamentaux nécessaires de l’optimisation, les statistiques, la théorie de l’information et la mécanique statistique. Le but de ce cours est d’inciter les étudiants à s’engager dans de nouvelles recherches dans le domaine. À cette fin, la majorité du crédit sera accordée pour un rapport de projet de classe et une présentation sur un sujet pertinent. Note : Il s’agit d’un cours avancé conçu pour les étudiants au doctorat ayant de solides connaissances en mathématiques. | 4 | TBD | TBD |
Irina Rish | IFT 6167 (6760B) – Neural Scaling Laws and Foundation Models | Cours donné en anglais. This seminar-style course will focus on recent advances in the rapidly developing area of “foundation models”, i.e. large-scale neural network models (e.g., GPT-3, CLIP, DALL-e, etc) pretrained on very large, diverse datasets. Such models often demonstrate significant improvement in their few-shot generalization abilities, as compared to their smaller-scale counterparts, across a wide range of downstream tasks – what one could call a “transformation of quantity into quality” or an “emergent behavior”. This is an important step towards a long-standing objective of achieving Artificial General Intelligence (AGI). By AGI here we mean literally a “general”, i.e. broad, versatile AI capable of quickly adapting to a wide range of situations and tasks, both novel and those encountered before – i.e. achieving a good stability (memory) vs plasticity (adaptation) trade-off, using the continual learning terminology. In this course, we will survey most recent advances in large-scale pretrained models, focusing specifically on empirical scaling laws of such systems’ performance, with increasing compute, model size, and pretraining data (power laws, phase transitions). We will also explore the trade-off between the increasing AI capabilities and AI safety/alignment with human values, considering a range of evaluation metrics beyond the predictive performance. Finally, we will touch upon several related fields, including transfer-, continual- and meta-learning, as well as out-of-distribution generalization, robustness and invariant/causal predictive modeling. | 4 | TBD | TBD |
Guillaume Rabusseau | IFT 6760A – Factorisation de matrices et tenseurs pour l’apprentissage | Cours donné en anglais. Ce cours offre un survol des connections entre algèbre linéaire/multilinéaire et apprentissage automatique, et a pour but d’initier les étudiant.e.s aux nouvelles recherches dans ce domaine. – Notions fondamentales d’algèbre linéaire et multilinéaire. – Factorisation matricielle/tensorielle et apprentissage: PCA/CCA, systèmes de recommendation, méthodes spectrales d’apprentissage, K-FAC, normalisation spectrale, méthode des moments tensorielle, compression de modèles (e.g. MRF, NN), régression tensorielle, etc. – Problèmes ouverts. | 4 | TBD | TBD |
Guillaume Lajoie | MAT 6215 – Systèmes Dynamiques | Ce cours est une introduction au traitement des équations différentielles non linéaires et plus généralement, à la théorie des systèmes dynamiques. Il s’agit d’un cours de cycle supérieur. L’objectif est d’initier l’étudiant à la théorie des systèmes dynamiques et à ses applications. En un premier temps, des techniques classiques d’analyse de dynamique seront présentées : flots continus et discrets, existence et stabilité de solutions, variétés invariantes, bifurcations et formes normales. En un deuxième temps, une introduction à la théorie ergodique et un survol d’applications modernes sera présentée : dynamique chaotique, attracteurs étranges, entropie dynamique, systèmes à haute dimension (ex. réseaux), dynamique entrainée et transformation d’information. Une attention particulière sera accordée au traitement de systèmes dynamiques performant des computations. À la fin du cours, l’étudiant sera en mesure d’appliquer des techniques d’analyse de systèmes dynamiques à des problèmes concrets, ainsi que de naviguer la littérature moderne de systèmes dynamiques. Plusieurs exemples et applications faisant usage de simulations numériques seront utilisés. Pour suivre ce cours, l’étudiant doit maîtriser, à un niveau de premier cycle, des notions de calcul, d’équations différentielles linéaires, d’algèbre linéaire et de probabilité. | 4 | Lu : 9h – 12h & séminaire virtuel Ma : 13h-14h (sujet à changement) | TBD |
Blake Richards | COMP 549 – Intelligence artificielle inspirée du cerveau (Remplace COMP596) | Cours donné en anglais. Cette classe sera un aperçu historique de l’influence des neurosciences sur l’intelligence artificielle. Ce sera un cours de type séminaire, mêlant conférence, discussion et présentations en classe. Le sujet traité comprendra les perceptrons, les origines de l’apprentissage renforcement, les modeles distribué parallèle, les machines de Boltzmann, les architectures de réseau neuronal inspirées par le cerveau et les approches modernes qui intègrent l’attention, la mémoire et les ensembles. | 3 | TBD | TBD |
Gauthier Gidel | IFT 6164 – Apprentissage Antagoniste | Cours donné en anglais. Un nombre grandissant d’applications d’apprentissage automatique liées à la théorie des jeux à vu le jour ces dernières années. Par exemple, les jeux à deux jouers et à somme nulle sont importants pour la modélisation générative (GAN) et la maîtrise de jeux comme Go ou Poker via l’appentissage autonome. Ce cours est à l’interface entre la théorie des jeux, l’optimisation et l’apprentissage automatique. Il essaie de comprendre comment apprendre des modèles pour jouer à des jeux. Il commencera par quelques notions rapides de théorie des jeux pour finalement se plonger dans les problèmes d’apprentissage automatique avec des formulations de jeux telles que les GAN ou l’apprentissage par renforcement avec plusieurs agents. Ce cours couvrira également l’optimisation (a.k.a training) de tels jeux d’apprentissage automatique. | 4 | TBD | TBD |
Jian Tang | MATH 80600A – Machine Learning II: Deep Learning and Applications | Ce cours est donné en anglais. L’apprentissage profond a connu un grand succès dans une variété de domaines tels que la reconnaissance vocale, la compréhension d’images et la compréhension du langage naturel. Ce cours vise à introduire les techniques de base de l’apprentissage en profondeur et les progrès récents de l’apprentissage en profondeur sur la compréhension du langage naturel et l’analyse de graphes. Ce cours vise à introduire les techniques de base de l’apprentissage en profondeur, notamment les réseaux de neurones à action directe, les réseaux de neurones convolutifs et les réseaux de neurones récurrents. Nous couvrirons également les progrès récents sur les modèles génératifs profonds. Enfin, nous présenterons comment appliquer ces techniques à la compréhension du langage naturel et à l’analyse de graphes. | 3 | TBD | TBD |
Doina Precup | COMP 579 Reinforcement Learning | Computer Science (Sci) : Bandit algorithms, finite Markov decision processes, dynamic programming, Monte-Carlo Methods, temporal-difference learning, bootstrapping, planning, approximation methods, on versus off policy learning, policy gradient methods temporal abstraction and inverse reinforcement learning. | 4 | TBD | TBD |
Reihaneh Rabbany | COMP 551 – Applied Machine Learning | Ce cours couvre un ensemble sélectionné de sujets en apprentissage automatique et en exploration de données, en mettant l’accent sur les bonnes méthodes et pratiques pour le déploiement de systèmes réels. La majorité des sections sont liées aux techniques d’apprentissage supervisé couramment utilisées et, dans une moindre mesure, aux méthodes non supervisées. Cela inclut les principes fondamentaux des algorithmes sur la régression linéaire et logistique, les arbres de décision, les machines à vecteurs de support, le clustering, les réseaux de neurones, ainsi que les techniques clés pour la sélection des caractéristiques et la réduction de la dimensionnalité, l’estimation des erreurs et la validation empirique. | 4 | TBD | TBD |
Aditya Mahajan | ECSE 506 – Stochastic Control and Decision Theory | Cours donné en anglais. Markov decision processes (MDP), dynamic programming and approximate dynamic programming. Stochastic monotonicity, structure of optimal policies. Models with imperfect and delayed observations, partially observable Markov decision processes (POMDPs), information state and approximate information state. Linear quadratic and Gaussian (LQG) systems, team theory, information structures, static and dynamic teams, dynamic programming for teams. | 3 | TBD | TBD |
Siva Reddy | COMP 599 Natural Language Understanding with Deep Learning | Cours donné en anglais. Le domaine du traitement du langage naturel (PNL) a connu de multiples changements de paradigme au fil des décennies, de l’IA symbolique aux méthodes statistiques en passant par l’apprentissage en profondeur. Nous examinons ce changement à travers le prisme de la compréhension du langage naturel (NLU), une branche de la PNL qui traite du « sens ». Nous commençons par ce qu’est le sens et qu’est-ce que cela signifie pour une machine de comprendre le langage ? Nous explorons comment représenter le sens des mots, des phrases, des phrases et du discours. Nous plongeons ensuite dans de nombreuses applications NLU utiles. | TBD | TBD | TBD |
Golnoosh Farnadi | 80629A Machine Learning I: Large-Scale Data Analysis and Decision Making | TBD | TBD | Ve : 12h30 – 15h30 | TBD |
Timothy J. O’Donnell | LING 645: Computational Linguistics | Cours donné en anglais. Introduction to foundational ideas in computational linguistics and natural language processing. Topics include formal language theory, probability theory, estimation and inference, and recursively defined models of language structure. Emphasis on both the mathematical foundations of the field as well as how to use these tools to understand human language. | TBD | TBD | TBD |
Aishwarya Agrawal | IFT6765 – Vision and Language | Ce cours est donné en anglais A seminar course on recent advances in research problems at the intersection of computer vision and natural language processing, such as caption based image retrieval, grounding referring expressions, image captioning, visual question answering, etc. | 4 | Ma : 9h30 à 11h30 Ve : 13h30 à 15h30 | À Mila |
Pierre-Luc Bacon (Ioannis en automne, PLB eh hiver) | IFT6390 – Fondements de l’apprentissage machine | Ce cours est donné en anglais Éléments de base des algorithmes d’apprentissage statistique. Exemples d’applications en forage de données, régression non linéaire, et données temporelles et apprentissage profond. | 4 | TBD | À l’UdeM |
Dhanya Sridhar | IFT 6251 – Causal inference and machine learning | Ce cours est donné en anglais There is a growing interest in the intersection of causal inference and machine learning. On one hand, ML methods — e.g., prediction methods, unsupervised methods, representation learning — can be adapted to estimate causal relationships between variables. On the other hand, the language of causality could lead to new learning criteria that yield more robust and fair ML algorithms. In this course, we’ll begin with an introduction to the theory behind causal inference. Next, we’ll cover work on causal estimation with neural networks, representation learning for causal inference, and flexible sensitivity analysis. We’ll conclude with work that draws upon causality to make machine learning methods fair or robust. This is an advanced course, taught seminar-style, and expects students to have a strong background in ML. | 4 | TBD | À Mila |
Glen Berseth | IFT 6095 – Apprentissage automatique pour les robots | Ce cours est donné en anglais Les méthodes d’apprentissage telles que l’apprentissage profond par renforcement ont réussi à résoudre des problèmes de planification et de contrôle simulés, mais ont du mal à produire un comportement intelligent et diversifié sur les robots. L’objectif de ce cours est de discuter de ces limitations et d’étudier des méthodes pour les surmonter et permettre à des agents capables de s’entraîner de manière autonome, de devenir des systèmes d’apprentissage et d’adaptation nécessitant peu de supervision. À la fin du cours, chaque étudiant devrait avoir une solide maîtrise des différentes techniques pour entraîner des robots à accomplir des tâches dans le monde réel. Ces techniques qui seront couvertes dans le cours incluent, sans s’y limiter, l’apprentissage par renforcement (RL), le RL par lots, le RL multitâche, le RL basé sur un modèle, Sim2Real, le RL hiérarchique, le RL conditionné par les objectifs et les fonctions de récompense d’apprentissage. | 4 | TBD | TBD |
David Rolnick | COMP 767 – Machine learning applied to climate change | Ce cours est donné en anglais This seminar will explore how machine learning can be applied in fighting climate change. We will look at ways that machine learning can be used to help mitigate greenhouse gas emissions and adapt to the effects of climate change – via applications in electricity systems, buildings, transportation, agriculture, disaster response, and many other areas. Particular emphasis will be given to understanding exactly when machine learning is relevant and helpful, and how to go about scoping, developing, and deploying a project so that it has the intended impact. | 4 | TBD | TBD McGill |
Derek Nowrouzezahrai | ECSE 446/546 – Realistic/Advanced Image Synthesis | Ce cours est donné en anglais This course presents modern mathematical models of lighting and the algorithms needed to solve them and generate beautiful realistic images. Both traditional numerical methods and modern machine learning-based approaches will be covered. | 4 | Lu et Me | TBD McGill |
Siva Reddy, Timothy J. O’Donnell | LING 682 From Natural Language to Data Science | Ce cours est donné en anglais This course is for people with no experience is NLP and would like to see how it can be used for exciting data science applications. We suggest other NLP/CL courses if you want to focus on theoretical side of NLP/CL. Topics covered in this course include: Language data and applications, Searching through data, How to make sense of data, Language Modeling, Language to decisions, Information Retrieval, Information Extraction, Social Networks (Twitter and Facebook data), Recommendation systems, Ethics | 4 | TBD | TBD |