Mila > Cours

Cours

Cours et horaires - Hiver 2024

Professeur·e Langue du cours Sigle et nom du cours Description Crédits Horaires Date de début Date de fin Lieu Nb d’étudiants (approx.)
Simon Lacoste-Julien IFT 6132 – Prédiction structurée avancée et optimisation 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. Il présentera aussi plusieurs concepts d’optimisation avancée en même temps car ces concepts sont très utiles pour la prédiction structurée. 4 Mardi et Jeudi 9h30 – 11h30 Mila – Auditorium 1 20
Aaron Courville FR/EN IFT 6135 – Apprentissage de représentations 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 FR Lundi et Mercredi 14h30-16h30

EN Mardi et Jeudi 15h30-17h30

 

8 Janvier 2024 15 Avril 2024 Mila, if possible. 150
Guillaume Rabusseau EN IFT 6166 – Factorisation de matrices et tenseurs pour l’apprentissage 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. 4 Lundi et Mardi 9h30-11h30 Mila,

Auditorium 2

20
Irina Rish EN IFT6760A: Vers l’intelligence artificielle générale : mise à l’échelle, alignement et comportements émergents dans les réseaux de neurones Ce cours de style séminaire se concentrera sur les avancées récentes dans le domaine en développement rapide des “modèles de base”, c’est-à-dire des modèles de réseaux de neurones à grande échelle (par exemple, GPT-3, CLIP, DALL-e, etc.) préformés sur de très grands, divers ensembles de données. Lundi et Mercredi 16h30-18h30 Mila, Auditorium 2 30-40 students
Guillaume Lajoie EN/FR 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. 4 Lundi 9h-12h & séminaire virtuel Mardi 13h-14h (sujet à changements)
Gauthier Gidel EN IFT 6164 – Apprentissage Antagoniste 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. 4 Mardi 13h30-15h30
et
Jeudi 13h30-15h30
Jian Tang EN MATH 80600A – Machine Learning II: Deep Learning and Applications HEC
Doina Precup EN 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
Aditya Mahajan EN ECSE 506 – Stochastic Control and Decision Theory Modeling of stochastic control systems, controlled Markov processes, dynamic programming, imperfect and delayed observations, linear quadratic and Gaussian (LQG) systems, team theory, information structures, static and dynamic teams, dynamic programming for teams, multi-armed bandits. 3 Mardi et Jeudi 10h-11h30
Timothy J. O’Donnell English LING 645: Computational Linguistics
Bang Liu EN IFT6010 – Modern Natural Language Processing
Aishwarya Agrawal EN IFT 6765 – Links between Computer Vision and Language Un cours séminaire sur les avancées récentes dans les problèmes de recherche à l’intersection de la vision par ordinateur et du traitement du langage naturel, tels que la recherche d’images basée sur des légendes, l’ancrage des expressions référentielles, la légende d’images, les réponses aux questions visuelles, etc. 4 Lundi et Mercredi 14h30-16h30 8 janvier 2024 15 avril 2024 Mila 35-40
Pierre-Luc Bacon FR IFT6390 – Fondements de l’apprentissage machine 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
Dhanya Sridhar EN IFT 6168 – Causal inference and machine learning Ce cours combine des cours magistraux et des discussions de type séminaire pour couvrir les fondements de la causalité ainsi que des sujets tels que l’apprentissage de la représentation causale, la découverte de la structure causale, l’abstraction causale (et son utilisation dans la compréhension des grands modèles). 4 Lundi et Mercredi 12h30-14h30 8 janvier 2024 15 avril 2024 Mila 25
Glen Berseth EN IFT 6163 –
Apprentissage automatique pour les robots
Étude de concepts fondamentaux d’apprentissage automatique pour les applications robotiques et des méthodes permettant à des agents capables de s’entraîner de manière autonome, de devenir des systèmes d’apprentissage nécessitant peu de supervision. 4 UdeM 30
David Rolnick EN COMP 611 – Mathematical Tools for Computer Science 4 Mardi et Jeudi 8h30-10h 27
Derek Nowrouzezahrai EN ECSE 446/546 – Realistic/Advanced Image Synthesis 4 Lundi et Mercredi McGill 60
Siva Reddy, Morgan Sonderegger English COMP 345 / LING 345 From Natural Language to Data Science 3 Jeudi 10h05-11h25
Siva Reddy English COMP 545 / LING 484/782 Natural Language Understanding with Deep Learning / Computational Semantics 4 Jeudi 13h05-14h25
Siamak Ravanbakhsh EN COMP 588 Probabilistic Graphical Models Jeudi 10h-11h30 McGill 30
Golnoosh Farnadi English Responsible AI 4 McGill
Prakash Panangaden EN COMP 599 Mathematical Methods Lundi et Mercredi 17h35-18h55
Jackie Chi Kit Cheung EN COMP 767 – Formal and Neural Models of Pragmatics 3 Jeudi 11h30-13h McGill