Liste des cours et horaires - Automne 2017
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Courville Aaron | IFT 3395/6390 – 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 | Mer 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 Simon | 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 14:30 – 16:29 Sém Ve 13:30 – 15:29 Sém |
2017-09-05 – 2017-12-08 |
| Paull Liam | IFT 6080 – Duckietown | Problèmes 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. | 4 | Lu 10:30 – 12:20 Cours Me 11:30-13:30 Cours |
2017-09-06 – 2017-12-06 |
| Pal Christopher | INF8702 (Poly) – Infographie avancée | Rendu 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. | 3 | Ma 9:30-12:30 Lab Ve 12:45 – 15:45 Cours |
|
| Precup Doina | COMP 652 (McGill) – Machine Learning | Un survol de la fine pointe de la technologie en apprentissage automatique, incluant les propriétés théoriques et les applications pratiques de ces algorithmes. | 4 | Lu 14:35 – 15:55 Cours Me 14:35 – 15:55 Cours |
2017-09-05 – 2017-12-07 |
| Pineau Joelle | COMP 551 (McGill) – Applied Machine Learning | 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. | 4 | Lu 13:05 – 14:25 Cours Me 08:35 – 9:55 Cours |
2017-09-05 – 2017-12-07 |
| Charlin Laurent | 6-602-07 (HEC)- Analyse multidimensionnelle appliquée | Data mining, analyse factorielle, Sélection de variables et de modèles, Régression logistique, Analyse de regroupement, Analyse de survie, Données manquantes. | 3 | Je 18:45-21:45 Cours | n/a |
| 80-629-17A (HEC) – Apprentissage automatique pour données grandes échelles et prise de décisions | Modèles 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). | 3 | Mer 8:30-11:30 Cours | n/a | |
| Lodi Andrea | MTH6404 (Poly)- Programmation en nombres entiers | Cours 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. | 3 | Ma 12:45 – 15:45 Cours | n/a |
| Cheung Jackie | Comp 550 (McGill)- Traitement du language naturel | Introduction 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. | 3 | Ma 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 Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Pal Christopher | INF6953H (Poly) – Deep Learning | Les 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. | 3 | Ma 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 Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Lacoste-Julien Simon | IFT 6085 – Prédiction structurée avancée | Modèles 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. | 4 | Me 10:30 – 12:29 Ve 15:00 – 16:59 |
6 Jan au 12 Avr 2017 |
| Courville Aaron | IFT 6266 – Algorithmes d’apprentissage | Sujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés. | 4 | Lu 14:30 – 16:29 Je 09:30 – 11:29 |
5 Jan au 13 Avr 2017 |
| Pal Christopher | INF 8225 (Poly) – Techniques probabilistes et d’apprentissage | Méthodes 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. | 3 | Lundi 12h45 – 15h45 TP Mardi 9h30 – 12h30 Cours |
|
| Precup Doina | COMP 652 (McGill) – Machine Learning | Un survol de la fine pointe de la technologie en apprentissage automatique, incluant les propriétés théoriques et les applications pratiques de ces algorithmes. | 4 | Mardi 13:05 – 14:25 Jeudi 13:05 – 14:25 |
4 Jan au 11 Avr 2017 |
| COMP 767 (McGill) – Advanced Topics: Reinforcement learning | Sujets avancés en apprentissage par renforcement. | 4 | Ven 10:05 – 12:55 | 4 Jan au 11 Avr 2017 | |
| Pineau Joelle | COMP 551 (McGill) – Applied Machine Learning | Sujets 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. | 4 | Mardi 13:05 – 14:25 Jeudi 13:05 – 14:25 |
4 Jan au 11 Avr 2017 |
| Charlin Laurent | n/a | n/a | n/a | n/a | n/a |
| Bengio Yoshua | n/a | n/a | n/a | n/a | n/a |
| Vincent Pascal | n/a | n/a | n/a | n/a | n/a |
Liste des cours et horaires - Automne 2016
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Vincent Pascal | IFT 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. |
3 | Me 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. | 4 | Me 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 Simon | 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 14:30 – 16:29 Cours Ven 13:30 – 15:29 Cours |
2 sept au 6 déc 2016 |
| Charlin Laurent | 6-602-07 (HEC)- Analyse multidimensionnelle appliquée | Data mining, analyse factorielle, Sélection de variables et de modèles, Régression logistique, Analyse de regroupement, Analyse de survie, Données manquantes | 3 | Lu 12:00 – 15:00 Cours | 29 août au 5 déc 2016 |
| Bengio Yoshua | n/a | n/a | n/a | n/a | n/a |
| Courville Aaron | n/a | n/a | n/a | n/a | n/a |
| Pal Christopher | n/a | n/a | n/a | n/a | n/a |