Cours

Liste des cours et horaires - Automne 2020 (liste préliminaire)

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Simon Lacoste-JulienIFT 6269 – Modèles Graphiques probabilistes et apprentissageReprésentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.4Lu 14h30 – 16h30

Fri. 1:30 – 3:30

09-01-2020

12-08-2020

Ioannis MitliagkasIFT 6390 – Fondements de l’Apprentissage MachineÉléments 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.4Section A

Me 9h30 – 11h30

Je 9h30 – 10h30

Section A1

Je 10h30 – 12h30

Section A102

Je 10h30 – 12h30

09-02-2020

12-03-2020

 

Laurent CharlinMATH 80629A Machine Learning l : Large-Scale Data Analysis and Decision MakingCe 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. L’avènement des données massives requiert des outils d’analyses appropriés. L’apprentissage automatique (machine learning) offre ces outils et est incontournable pour modéliser des problèmes dans divers domaines tels que l’intelligence artificielle, la bio-informatique, la finance, le marketing, l’éducation, le transport et la santé. Nous étudierons les modèles d’apprentissage automatique pour l’apprentissage supervisé, non supervisé et comment ils peuvent être étendus aux données massives à l’aide de techniques de calcul à grande échelle (p. ex. grappes d’ordinateurs). Nous étudierons en plus des modèles récents pour les systèmes de recommandations ainsi que pour la prise de décision (apprentissage par renforcement). Les étudiants auront l’occasion de bonifier leurs connaissances en effectuant un projet requérant l’analyse de données réelles (par exemple venant de leur champ de recherche). À noter : L es étudiants devront déjà connaitre un langage de programmation.3Lu 8h30 – 11h3009-07-2020

12-07-2020

Laurent CharlinMATH 80629 Apprentissage automatique I : Analyse des Mégadonnées et Prise de décisionCe 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).3Ve 8h30 – 11h3009-04-2020

12-04-2020

Jackie C. K. CheungCOMP 550 – Natural Language ProcessingCours 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.

 

3TBATBA

 

Siva Reddy, Timothy J. O’DonnellCOMP 596 — From Natural Language to Data ScienceThis 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, Ethics4TBATBA
Timothy J. O’DonnellLING 645: Computational LinguisticsIntroduction 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.
TBATBATBA
Siamak RavanbakhshCOMP 551- Applied Machine LearningCours donné en anglais.

Le cours couvrira une sélection de sujets et de nouveaux développements dans l’exploration de données et dans l’apprentissage automatique, en mettant particulièrement l’accent sur les bonnes méthodes et pratiques permettant de déployer efficacement des systèmes réels. Nous étudierons des algorithmes et des techniques couramment utilisés, notamment la régression linéaire et logistique, la classification, les réseaux de neurones, les machines à vecteurs de support, les arbres de décision, etc. Nous discuterons également de méthodes permettant de résoudre des problèmes pratiques tels que la validation empirique, la sélection des caractéristiques, la réduction de la dimensionnalité et l’estimation des erreurs.

4Ma 10h00 – 11h30

Je 10h00 – 11h30

TBA
Reihaney RabbanyCOMP 596 – Network ScienceCours 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.

3TBATBA

 

Liam PaullIFT 6757 – Véhicule AutonomesCours donné en anglais.

Contrôle de véhicules autonomes avec vision par ordinateur et apprentissage automatique; construction d’un véhicule autonome à petite échelle; senseurs, vision, estimation d’état, navigation, planification, contrôle et actionnement.

3TBATBA
Guy WolfMAT 6493 – Geometric data analysisFormulation 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.

4TBATBA
Sarath ChandarINF8953CE – Machine LearningThis 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.3TBATBA
Andrea LodiMTH6404 – Integer ProgrammingModélisation de problèmes classiques. Méthodes d’énumération implicite (branch-and-bound) : arbre d’énumération, stratégie d’exploration, règles de branchement. Théorie polyédrale : inégalités valides, dimension, faces et facettes. Unimodularité. Méthodes de plans coupants. Coupes de Chvátal-Gomory et de Gomory. Algorithmes de séparation spécialisés. Décomposition de Dantzig-Wolfe et génération de colonnes. Relaxation lagrangienne. Décomposition de Benders. Étude détaillée des problèmes de sac à dos et du commis voyageur.TBATBATBA

Liste des cours et horaires - Hiver 2020

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Simon Lacoste-JulienIFT 6132 – Prédiction structurée avancée et optimisationCours donné en anglais

Sujets avancés pour la prédiction d’objets structurés (tels: graphes, couplages, réseaux de flot). Apprentissage génératif vs.
discriminatif. Modèles à énergie. Champs aléatoires conditionnels. SVM structurées et à variable latente, algorithms CCCP. Optimization à grande échelle: Frank-Wolfe, SGD à variance réduite, méthodes bloques-coordonnées. Apprendre à chercher. RNN. Algorithmes
combinatoires: réseaux coût-min, optimization sous-modulaire,
programmation dynamique.

4Ma 14h30 – 16h29
Je 13h30 – 15h29
07-01-2020 au 11-04-2020
Aaron CourvilleIFT 6135 – Apprentissage de représentations (Hiver 2019)Sujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés.

https://sites.google.com/mila.quebec/ift6135

4Lu 09h30 – 11h29
Me 12h30 – 14h29
 07-01-2019 au 10-04-2019
Ioannis MitliagkasIFT-6085 – Theoretical principles for deep learningCours 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

4Me 9h30 – 11h30
Je 9h00 – 11h00
09-01-2020 au 16-04-2020
Guillaume RabusseauIFT-6760a – Séminaire en apprentissage automatiqueCours 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.

4Ma 12h30 – 14h30

Je 11h30 – 13h30

07-01-2020 au 16-04-2020
Irina RishIFT 6760b – Continual Learning: Towards « Broad » AICours donné en anglais

Stephen Hawking famously said, ‘Intelligence is the ability to adapt to change.’ While today’s AI systems can achieve impressive performance in specific tasks, from accurate image recognition to super-human performance in games such as Go and chess, they are still quite « narrow », i.e. not being able to easily adapt to a wide range of new tasks and environments, without forgetting what they have learned before – something that humans and animals seem to do naturally during their lifetime. This course will focus on the rapidly growing research area of machine learning called continual lifelong learning which aims to push modern AI from « narrow » to « broad », i.e. to develop learning models and algorithms capable of never-ending, lifelong, continual learning over a large, and potentially infinite set of drastically different tasks and environments. In this course, we will review state-of-art literature on continual lifelong learning in modern AI, including catastrophic forgetting problem and recent approaches to overcoming it in deep neural networks, from augmenting stochastic gradient decent algorithm to alternative optimization approaches, architecture adaptation/evolution based on expansion/compression, dynamic routing/selective execution (« internal » attention) and other approaches; moreover, we will also survey related work on stability vs plasticity dilemma in neuroscience and related topics in biology of adaptation and memory.

4Lu 15h30 – 17h30

Je 16h30 – 18h30

06-01-2020

au

16-04-2020

Pierre-Luc BaconIFT 6760C – Séminaire en apprentissage automatiqueCours 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 inverse4Ma 9h30 – 11:h0
Ve 13h30 – 15h30
TBD
Aaron CourvilleIFT 6759 – Projets avancés en apprentissage automatiquePréparation aux applications pratiques de l’apprentissage automatique à travers des projets concrets sur des données réelles. Utilisation de logiciels spécialisés d’apprentissage automatique pour l’intelligence artificielle. Remarque : Il est recommandé de prendre IFT6135 Apprentissage de représentations auparavant ou concomitant.4Me 14h30 – 16h30

Ve 9h30 – 11h30

TBD
Will HamiltonCOMP 766 – Advanced Topics: Applications 1 Cours donné en anglais.

Graph representation learning (GRL) is a quickly growing subfield of machine learning that seeks to apply machine learning methods to graph-structured data. Machine learning on graphs is an important and ubiquitous task with applications ranging from drug design to friendship recommendation in social networks. This course will provide an introduction to graph representation learning, including matrix factorization-based methods, random-walk based algorithms, and graph neural networks. During the course, we will study both the theoretical motivations and practical applications of these methods.

4Lu 13h00 – 14h30

Me 13h00 – 14h30

06-01-2020 au 09-04-2020
Doina PrecupCOMP 767 – Advanced Topics: Applications 2Computer Science (Sci) : Advanced topics in computing systems.4Lu 8h30-10h00

Me 8h30 – 10h00

TBD
Guillaume LajoieDynamical Systems (MAT6115)
Introduction au traitement des équations différentielles non linéaires, techniques classiques d’analyse de dynamique, flots continus et discrets, existence et stabilité de solutions, variétés invariantes, bifurcations et formes normales, la théorie ergodique et la théorie du chaos. Le cours inclura un survol d’applications modernes incluant la dynamique d’optimization, dynamique de réseaux récurrents, neuroscience computationelle.
3Ma 9h30-12h30

 

07-01-2020 au 25-02-2020
Blake RichardsCOMP 596 – Sujets en Informatique 3
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.
3Ma 13h00 – 14h30

Je 13h00 – 14h30

 07-01-2020 au 9-04-2020
Siva Reddy COMP 764 Advanced Topics Systems 1
Cours donné en anglais.

The field of natural language processing (NLP) has seen multiple paradigm shifts over decades, from symbolic AI to statistical methods to deep learning. We review this shift through the lens of natural language understanding (NLU), a branch of NLP that deals with “meaning”. We start with what is meaning and what does it mean for a machine to understand language? We explore how to represent the meaning of words, phrases, sentences and discourse. We then dive into many useful NLU applications.

Throughout the course, we take several concepts in NLU such as meaning or applications such as question answering, and study how the paradigm has shifted, what we gained with each paradigm shift, and what we lost? We will critically evaluate existing ideas and try to come up with new ideas that challenge existing limitations. We will particularly work on making deep learning models for language more robust.

This is a seminar-style course, where the class as a whole will work together in running the course. In the first few lectures, I will provide an overview of NLU and highlight the challenges the field is facing.

4Ma 16h05 – 17h25

Je 16h05 – 17h25

 TBD
Jian TangMATH 80600A – Machine Learning II: Deep Learning and ApplicationsCours donné en anglais

Deep learning has achieved great success in a variety of fields such as speech recognition, image understanding, and natural language understanding. This course aims to introduce the basic techniques of deep learning and recent progress of deep learning on natural language understanding and graph analysis.

This course aims to introduce the basic techniques of deep learning including feedforward neural networks, convolutional neural networks, and recurrent neural networks. We will also cover recent progress on deep generative models. Finally, we will introduce how to apply these techniques to natural language understanding and graph analysis.

3Je 8h30 – 11h30

Ve 15h30 – 18h30

09-01-2020 au 18-04-2020
Siamak RavanbakhshCOMP 551 – Applied Machine LearningCours donné en anglais

Deep learning has achieved great success in a variety of fields such as speech recognition, image understanding, and natural language understanding. This course aims to introduce the basic techniques of deep learning and recent progress of deep learning on natural This course covers a selected set of topics in machine learning and data mining, with an emphasis on good methods and practices for deployment of real systems. The majority of sections are related to commonly used supervised learning techniques, and to a lesser degree unsupervised methods. This includes fundamentals of algorithms on linear and logistic regression, decision trees, support vector machines, clustering, neural networks, as well as key techniques for feature selection and dimensionality reduction, error estimation and empirical validation.

4Ma 16h30 – 17h30

Je 16h30 – 17h30

07-01-2020 au 09-04-2020
Reihaneh RabbanyCOMP 551 – Applied Machine LearningCours donné en anglais

This course covers a selected set of topics in machine learning and data mining, with an emphasis on good methods and practices for deployment of real systems. The majority of sections are related to commonly used supervised learning techniques, and to a lesser degree unsupervised methods. This includes fundamentals of algorithms on linear and logistic regression, decision trees, support vector machines, clustering, neural networks, as well as key techniques for feature selection and dimensionality reduction, error estimation and empirical validation.

4Ma 11h30 – 13h00

Je 11h30 – 13h00

09-01-2020 au 18-04-2020
Emma FrejingerIFT-6521 – Programmation dynamique (Hiver 2019) Ce cours vise à étudier les algorithmes et outils mathématiques servant à analyser ou à optimiser des processus de décision séquentiels, pour lesquels il y a interaction entre les décisions, dans un environnement certain ou incertain. On verra comment implanter les algorithmes de calcul et on étudiera leur performance. Dans plusieurs cas on pourra démontrer certaines propriétés caractérisant la forme d’une politique optimale. On examinera aussi des exemples d’applications tirées de différents domaines, incluant la gestion et la finance.4Lu 11:30 – 13:29

Ma 10:30 – 12:29

Bernard GendronIFT 6551 – Programmation en nombres entiers (Hiver 2019)
4

Liste des cours et horaires - Automne 2019

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Simon Lacoste-JulienIFT 6269 – Modèles Graphiques probabilistes et apprentissageReprésentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.4Ma 14:30 – 16:30
Ve 13:30 – 15:30
03-09-2019 – 06-12-2019
 Ioannis MitliagkasIFT 6390 – Fondements de l’Apprentissage MachineÉléments 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.4Section A :Me 9:30-11:30  et Je 9:30-10:30

Section A1 Je 10:30-12:30

Section A102 Je 10:30-12:30

Section A: 04-09-2019 – 04-12-2019

Section A102: 05-09-2019 – 05-12-2019

Section A102: 05-09-2019 – 05-12-2019

Laurent CharlinMATH 80629A Machine LearningCours donné en anglais

Dans ce cours, nous étudierons des modèles d’apprentissage automatique. En plus des modèles standards, nous étudierons des modèles d’analyse du comportement des utilisateurs et de prise de décision. Les jeux de données volumineux sont désormais courants et nécessitent des outils d’analyse évolutifs. De plus, nous discuterons de modèles récents pour les systèmes de recommandation ainsi que pour la prise de décision (incluant les bandits à plusieurs bras et l’apprentissage par renforcement).

3Me 8:30 – 11:3004-09-2019 – 04-12-2019
Laurent CharlinMATH 80629 Apprentissage automatique I : Analyse des Mégadonnées et Prise de décisionCe 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).3Je 8:30 – 11:30

 

05-09-2019 – 05-12-2019
Jackie C. K. CheungCOMP 550 – Natural Language ProcessingCours 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.

3Ma 11:35 – 12:55

Je 11:35 – 12:55

03-09-2019 – 03-12-2019
William L. HamiltonCOMP 551- Applied Machine LearningCours donné en anglais

Le cours couvrira une sélection de sujets et de nouveaux développements dans l’exploration de données et dans l’apprentissage automatique, en mettant particulièrement l’accent sur les bonnes méthodes et pratiques permettant de déployer efficacement des systèmes réels. Nous étudierons des algorithmes et des techniques couramment utilisés, notamment la régression linéaire et logistique, la classification, les réseaux de neurones, les machines à vecteurs de support, les arbres de décision, etc. Nous discuterons également de méthodes permettant de résoudre des problèmes pratiques tels que la validation empirique, la sélection des caractéristiques, la réduction de la dimensionnalité et l’estimation des erreurs.

3Lu 16:00 – 17:30

Me 16:00 – 17:30

06-09-2019 – 06-12-2019
Reihaney RabbanyCOMP 596 – Network science

Les réseaux modélisent les relations dans des systèmes complexes, depuis les hyperliens entre les pages Web et les co-auteurs entre les chercheurs jusqu’aux interactions biologiques entre protéines et gènes et aux liens synaptiques entre neurones.

3Ma 10:00 – 11:30

Je 10:00 – 11:30

03-09-2019 – 05-12-2019
Liam PaullIFT 6757 – Véhicule Autonomes
3Lu 10:30 – 12:30

Me 11:30 – 13:30

04-09-2019 – 04-12-2019
Guy WolfMAT 6480W / STT 6705V – Sujets spéciaux: analyse géométrique en science des données
3Me 15h30 – 17h00

Je 15h30 – 17h00

04-09-2019 – 04-12-2019

Liste des cours et horaires - Hiver 2019

 

 

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Lacoste-Julien SimonIFT 6132 – Prédiction structurée avancée et optimisationSujets avancés pour la prédiction d’objets structurés (tels: graphes, couplages, réseaux de flot). Apprentissage génératif vs.
discriminatif. Modèles à énergie. Champs aléatoires conditionnels. SVM structurées et à variable latente, algorithms CCCP. Optimization à grande échelle: Frank-Wolfe, SGD à variance réduite, méthodes bloques-coordonnées. Apprendre à chercher. RNN. Algorithmes
combinatoires: réseaux coût-min, optimization sous-modulaire,
programmation dynamique.
4Ma 14:30 – 16:29
Je 13:30 – 15:29
08-01-2018 – 12-04-2019
Courville AaronIFT 6135 – Apprentissage de représentationsSujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés.

https://sites.google.com/mila.quebec/ift6135

4Lu 09:30 – 11:29
Me 12:30 – 14:29
 07-01-2019 – 10-04-2019
Mitliagkas IoannisIFT-6085 – Theoretical principles for deep learningCe cours consiste à faire un survol des plus récentes publications théoriques  sur l’apprentissage profond. Pour chaque publication choisie, Dr. Mitliagkas introduira les notions théoriques nécessaires pour bien en comprendre la démarche scientifique des auteurs, mais aussi les résultats présentés. Plusieurs thèmes seront traités, tels que l’optimisation de fonctions non convexes et  la théorie de l’information. Comme l’objectif principal de ce cours est d’initier les participant.e.s aux  nouvelles recherches dans ce domaine, la principale évaluation de ce cours consiste sera sous forme de projet de recherche.4Me 9:30 – 11:29
Je 9:00 – 11:29
09-01-2019 – 11-04-2019
Rabusseau GuillaumeIFT-6760a – Séminaire en apprentissage automatiqueCours 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.

4Ma 12h30 – 14h29

Je 11h30 – 13h29

08-01-2019 – 12-04-2019
Emma FrejingerIFT-6521 – Programmation dynamique Ce cours vise à étudier les algorithmes et outils mathématiques servant à analyser ou à optimiser des processus de décision séquentiels, pour lesquels il y a interaction entre les décisions, dans un environnement certain ou incertain. On verra comment implanter les algorithmes de calcul et on étudiera leur performance. Dans plusieurs cas on pourra démontrer certaines propriétés caractérisant la forme d’une politique optimale. On examinera aussi des exemples d’applications tirées de différents domaines, incluant la gestion et la finance.4Lu 11:30 – 13:29

Ma 10:30 – 12:29

Tang Jian6-600-18A – Data Mining TechniquesCe cours vise à présenter les techniques de base de l’exploration de données et leurs applications à différents types de données du monde réel, notamment les données de transaction, les données textuelles et les données d’ensemble.3Ve 18h30 – 21h3011-01-2019 – 12-04-2019
Gendron BernardIFT 6551 – Programmation en nombres entiers
4

 

 

Liste des cours et horaires- Automne 2018

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Ioannis MitliagkasIFT 6390 – Fondements de l’apprentissage machine (cycles supérieurs)Ce cours est donné en anglais. 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.4Me 9:30 – 11:30 Lect
Ju 9:30 – 10:30 Lect
Ju 10:30 – 12:30 Lab
2018-09-05 – 2018-12-06
Lacoste-Julien SimonIFT 6269 – Modèles graphiques probabilistes et apprentissageReprésentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.4Mar 14:30 – 16:29 Sem
Ve 13:30 – 15:29 Sem
2018-09-04 – 2018-12-07
Paull Liam IFT 6757-Autonomous VehiclesProblèmes en perception, navigation, et contrôle, et leur intégration système dans dans le cadre des véhicules autonomes. Enseignement à code ouvert avec emphase sur l’expérience pratique.4Lu 10:30 – 12:30
Me 11:30 – 1:30
05/09/2018 – 05/12/2018
Guillaume RabusseauIFT 3395 – Fondements de l’apprentissage machine (1 er cycle)Ce cours est donné en français. 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.3Me 9:30 – 11:30 Lect
Ju 9:30 – 10:30 Lect
Ju 10:30 – 12:30 Lab
2018-09-05 – 2018-12-06
Cheung JackieComp 550 (McGill)- Natural Language ProcessingIntroduction à la modélisation du language naturel: algorithmes, formalisms, applications. Morphologie computationelle, analyse syntaxique, lexique et composition, analyse du discours. Application: résumé et traduction automatique, traitement du langage. Apprentissage automatique pour traitement du langage.32:35 PM – 3:55 PM TR

ENGMC 13

n/a
Lodi AndreaMTH6404 (Poly)- Integer ProgrammingCourse given in English in Fall and French in Winter. Branch-and-bound: enumeration trees, exploration strategy, branching rules. Polyhedral theory: valid inequalities, dimensions. Unimodularity. Method of intersecting planes. Chvátal-Gomory cuts. Dantzig-Wolfe, column generation, Benders decompositions. Lagrangian relaxation. Backpack and courrier problems.3n/an/a
Charlin Laurent6-602-07 (HEC)-Analyse multidimensionnelle appliquéeData mining, analyse factorielle, Sélection de variables et de modèles, Régression logistique, Analyse de regroupement, Analyse de survie, Données manquantes.3Mon 12:00-15:00 Lectn/a
 Charlin Laurent80-629-17A (HEC) –Apprentissage automatique pour données grandes échelles et prise de décisionsModèles d’apprentissage automatique supervisés (classification, régression) et non-supervisés (agrégation et modélisation de sujet) appliqué aux données massives à l’aide du calcul haute performance (grappes).3Wed 8:30-11:30 Lectn/a
Alain TappScience des données (IFT3700/IFT6700)Mise en contexte et applications des probabilités, statistiques, optimisation et outils informatiques pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l’apprentissage automatique sur données structurées.n/aLu 9:30 – 10:30

Ma 12:30-14:30

Lu 10:30-12:30

9-10-2018 – 03-12-2018
Guillaume LajoieDynamical Systems (MAT6115) Introduction au traitement des équations différentielles non linéaires, techniques classiques d’analyse de dynamique, flots continus et discrets, existence et stabilité de solutions, variétés invariantes, bifurcations et formes normales, la théorie ergodique et un survol d’applications modernes3Ma 10:30-12:00,

Ju 10:30-12:00

04/09/2018 – 20/12/2018

 

Liste des cours et horaires - Hiver 2018

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Lacoste-Julien SimonIFT 6132 – Prédiction structurée avancée et optimisationSujets avancés pour la prédiction d’objets structurés (tels: graphes, couplages, réseaux de flot). Apprentissage génératif vs.
discriminatif. Modèles à énergie. Champs aléatoires conditionnels. SVM structurées et à variable latente, algorithms CCCP. Optimization à grande échelle: Frank-Wolfe, SGD à variance réduite, méthodes bloques-coordonnées. Apprendre à chercher. RNN. Algorithmes
combinatoires: réseaux coût-min, optimization sous-modulaire,
programmation dynamique.
4Ma 14:30 – 17:29
Ve 14:30 – 16:29
23-01-2018 – 30-04-2018
Courville AaronIFT 6135 – Apprentissage de représentationsSujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés.4Lu 09:30 – 11:29
Me 12:30 – 14:29
 08-01-2018 – 30-04-2018
Pal ChristopherINF 8225 (Poly) – Techniques probabilistes et d’apprentissageMéthodes probabilistes d’intelligence artificielle. Réseaux bayésiens, modèles de Markov cachés, champs aléatoires de Markov. Inférence. Théorie de la décision statistique et des réseaux de décision. Traitement probabiliste de la langue naturelle et de la perception visuelle. Systèmes experts, forage de données, recherche d’informations et vision par ordinateur. Apprentissage profond et par renforcement.3Ma 15:45 – 18:45
Je 13:45 – 16:45
08-01-2018 – 30-04-2018
Precup DoinaCOMP 767 (McGill) – Advanced Topics: Reinforcement learningSujets avancés en apprentissage par renforcement.4Ma 4:00 – 5:30 PM
Je 4:00 – 5:30 PM
08-01-2018 – 16-04-2018
Pineau JoelleCOMP 551 (McGill) – Applied Machine LearningSujets spéciaux en apprentissage automatique et forage des données, incluant clustering, réseaux de neurones, machines à vecteurs de support, arbres de décisions. Méthodes comme le choix de features et la réduction de dimensionalité, estimation d’erreur et validation empirique, conception d’algorithmes et parallélisation, gestion de grands ensembles de données.4Ma 11:35 AM – 12:55 PM
Je 11:35 AM – 12:55 PM
Lu 8:35 AM – 9:55 AM
Me : 8:35 AM – 9:55 AM
08-01-2018 – 16-04-2018
Ioannis MitliagkasIFT-6085 – Theoretical principles for deep learningCe cours consiste à faire un survol des plus récentes publications théoriques  sur l’apprentissage profond. Pour chaque publication choisie, Dr. Mitliagkas introduira les notions théoriques nécessaires pour bien en comprendre la démarche scientifique des auteurs, mais aussi les résultats présentés. Plusieurs thèmes seront traités, tels que l’optimisation de fonctions non convexes et  la théorie de l’information. Comme l’objectif principal de ce cours est d’initier les participant.e.s aux  nouvelles recherches dans ce domaine, la principale évaluation de ce cours consiste sera sous forme de projet de recherche. 4Me 9:30 – 11:30
Je 9:00 – 11:00
 08-01-2018 – 30-04-2018
Alain TappIFT 6271 – Sécurité informatiqueConfidentialité et intégrité des données à clé privée et publique. Protection des couches de protocoles TCP/IP; protection contre les parasites informatiques. Méthodes d’authentification d’usagers. Évaluation et gestion des risques.3Lu 09:30 – 11:30
Je 12:30 – 13:30
 08-01-2018 – 30-04-2018
Charlin Laurentn/an/an/an/an/a
Bengio Yoshuan/an/an/an/an/a
Vincent Pascaln/an/an/an/an/a

 

Liste des cours et horaires - Automne 2017

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Courville AaronIFT 3395/6390 – Fondements de l’apprentissage machineÉléments 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.4Mer 9:30 – 11:30 Cours
Jeu 9:30 – 10:30 Cours
Jeu 10:30 – 12:30 Lab
2017-09-06 – 2017-12-07
Lacoste-Julien SimonIFT 6269 – Modèles graphiques probabilistes et apprentissageReprésentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.4Ma 14:30 – 16:29 Sém
Ve 13:30 – 15:29 Sém
2017-09-05 – 2017-12-08
Paull LiamIFT 6080 – DuckietownProblèmes en perception, navigation, et contrôle, et leur intégration système dans dans le cadre des véhicules autonomes. Enseignement à code ouvert avec emphase sur l’expérience pratique.4Lu 10:30 – 12:20 Cours
Me 11:30-13:30 Cours
2017-09-06 – 2017-12-06
Pal ChristopherINF8702 (Poly) – Infographie avancéeRendu graphique en temps réel. Rendu d’objets polygonaux. Rendu d’objets surfaciques. Utilisation de textures. Courbes et surfaces paramétriques. Évolution du modèle de réflexion locale. Modèles d’illumination globale. Rendu de volumes. Modélisation artistique. Réalité virtuelle.3Ma 9:30-12:30 Lab
Ve 12:45 – 15:45 Cours
Precup DoinaCOMP 652 (McGill) – Machine LearningUn survol de la fine pointe de la technologie en apprentissage automatique, incluant les propriétés théoriques et les applications pratiques de ces algorithmes.4Lu 14:35 – 15:55 Cours
Me 14:35 – 15:55 Cours
2017-09-05 – 2017-12-07
Pineau JoelleCOMP 551 (McGill) – Applied Machine LearningClustering, réseaux de neurones, machines à vecteurs de support, arbres de décisions. Méthodes comme le choix de features et la réduction de dimensionalité, estimation d’erreur et validation empirique, conception d’algorithmes et parallélisation, gestion de grands ensembles de données.4Lu 13:05 – 14:25 Cours
Me 08:35 – 9:55 Cours
2017-09-05 – 2017-12-07
Charlin Laurent6-602-07 (HEC)- Analyse multidimensionnelle appliquéeData mining, analyse factorielle, Sélection de variables et de modèles, Régression logistique, Analyse de regroupement, Analyse de survie, Données manquantes.3Je 18:45-21:45 Coursn/a
80-629-17A (HEC) – Apprentissage automatique pour données grandes échelles et prise de décisionsModèles d’apprentissage automatique supervisés (classification, régression) et non-supervisés (agrégation et modélisation de sujet) appliqué aux données massives à l’aide du calcul haute performance (grappes).3Mer 8:30-11:30 Coursn/a
Lodi AndreaMTH6404 (Poly)- Programmation en nombres entiersCours donné en anglais à l’automne et français au printemps. Méthodes d’énumération implicite (branch-and-bound) : arbre d’énumération, stratégie d’exploration, règles de branchement. Théorie polyédrale : inégalités valides, dimension, faces et facettes. Unimodularité. Méthodes de plans coupants. Coupes de Chvátal-Gomory. Décomposition de Dantzig-Wolfe, génération de colonnes, Benders. Relaxation lagrangienne. Problèmes de sac à dos et du commis voyageur.3Ma 12:45 – 15:45 Coursn/a
Cheung JackieComp 550 (McGill)- Traitement du language naturelIntroduction à la modélisation du language naturel: algorithmes, formalisms, applications. Morphologie computationelle, analyse syntaxique, lexique et composition, analyse du discours. Application: résumé et traduction automatique, traitement du langage. Apprentissage automatique pour traitement du langage.3Ma 16:05 – 17:25 Cours
Je 16:05 – 17:25 Cours
2017-09-05 – 2017-12-06

Liste des cours et horaires - Été 2017

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Pal ChristopherINF6953H (Poly) – Deep LearningLes réseaux de neurones convolutifs, les autoencodeurs, les réseaux neuronaux récurrents, les réseaux de longue mémoire à court terme « LSTM ». Les réseaux stochastiques, les champs aléatoires conditionnels, les machines de Boltzmann. Apprentissage par renforcement profond. Ce cours sera donné en anglais.3Ma 13:00 – 16:00 Cours
Me 13:00 – 16:00 TP
Je 13:00 – 16:00 Cours
2017-05-07 – 2017-08-24

Liste des cours et horaires - Hiver 2017

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Lacoste-Julien SimonIFT 6085 – Prédiction structurée avancéeModèles énergétiques. Apprentissage génératif/discriminatif. Champs aléatoires conditionnels. SVM structurées et à variable latente, algorithms CCCP. Optimization grande échelle: Frank-Wolfe, SGD variance réduite, méthodes bloques-coordonnées. Apprendre à chercher. RNN. Algorithms combinatoriels: réseaux coût-min, optimization sous-modulaire, programmes dynamiques.4Me 10:30 – 12:29
Ve 15:00 – 16:59
6 Jan au 12 Avr 2017
Courville AaronIFT 6266 – Algorithmes d’apprentissageSujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés.4Lu 14:30 – 16:29
Je 09:30 – 11:29
5 Jan au 13 Avr 2017
Pal ChristopherINF 8225 (Poly) – Techniques probabilistes et d’apprentissageMéthodes probabilistes d’intelligence artificielle. Réseaux bayésiens, modèles de Markov cachés, champs aléatoires de Markov. Inférence. Théorie de la décision statistique et des réseaux de décision. Traitement probabiliste de la langue naturelle et de la perception visuelle. Systèmes experts, forage de données, recherche d’informations et vision par ordinateur.3Lundi 12h45 – 15h45 TP
Mardi 9h30 – 12h30 Cours
Precup DoinaCOMP 652 (McGill) – Machine LearningUn survol de la fine pointe de la technologie en apprentissage automatique, incluant les propriétés théoriques et les applications pratiques de ces algorithmes.4Mardi 13:05 – 14:25
Jeudi 13:05 – 14:25
4 Jan au 11 Avr 2017
COMP 767 (McGill) – Advanced Topics: Reinforcement learningSujets avancés en apprentissage par renforcement.4Ven 10:05 – 12:554 Jan au 11 Avr 2017
Pineau JoelleCOMP 551 (McGill) – Applied Machine LearningSujets spéciaux en apprentissage automatique et forage des données, incluant clustering, réseaux de neurones, machines à vecteurs de support, arbres de décisions. Méthodes comme le choix de features et la réduction de dimensionalité, estimation d’erreur et validation empirique, conception d’algorithmes et parallélisation, gestion de grands ensembles de données.4Mardi 13:05 – 14:25
Jeudi 13:05 – 14:25
4 Jan au 11 Avr 2017
n/a
Bengio Yoshuan/an/an/an/an/a
Vincent Pascaln/an/an/an/an/a

Liste des cours et horaires - Automne 2016

Noms ProfesseursCours/siglesDescriptionsCréditsHorairesDates
Vincent PascalIFT 3395 – Fondements de l’apprentissage machine (1er cycle)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.
Remarques: Des connaissances d’analyse numérique sont recommandées, par exemple le IFT 2425.
3Me 09:30 – 11:29 Cours
Je 09:30 – 10:29 Cours
Je 10:30 – 12:29 LAB
1 sept au 8 décembre 2016
IFT 6390 – Fondements de l’apprentissage machine (2e cycle)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.4Me 09:30 – 11:29 Cours
Je 09:30 – 10:29 Cours
Je 10:30 – 12:29 LAB
1 sept au 8 décembre 2016
Lacoste-Julien SimonIFT 6269 – Modèles graphiques probabilistes et apprentissageReprésentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.4Ma 14:30 – 16:29 Cours
Ven 13:30 – 15:29 Cours
2 sept au 6 déc 2016
Charlin Laurent6-602-07 (HEC)- Analyse multidimensionnelle appliquéeData mining, analyse factorielle, Sélection de variables et de modèles, Régression logistique, Analyse de regroupement, Analyse de survie, Données manquantes3Lu 12:00 – 15:00 Cours29 août au 5 déc 2016
Bengio Yoshuan/an/an/an/an/a
Courville Aaronn/an/an/an/an/a
Pal Christophern/an/an/an/an/a
array(1) { ["wp-wpml_current_language"]=> string(2) "fr" }

Mila passe en mode virtuel

À partir du 16 mars 2020, Mila redirige ses activités vers des plateformes virtuelles afin de minimiser la diffusion de COVID-19.

En savoir plus