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 |