Liste des cours et horaires - Automne 2019
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| 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 – 16:30 Ve 13:30 – 15:30 | 03-09-2019 – 06-12-2019 |
| Mitliagkas Ioannis | 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 | Section 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 |
| Charlin Laurent | MATH 80629A Machine Learning | Cours 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). | 3 | Me 8:30 – 11:30 | 04-09-2019 – 04-12-2019 |
| Charlin Laurent | 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). | 3 | Je 8:30 – 11:30
| 05-09-2019 – 05-12-2019 |
| Cheung C. K. Jackie | 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 | Ma 11:35 – 12:55 Je 11:35 – 12:55 | 03-09-2019 – 03-12-2019 |
| Hamilton L. William | COMP 551- Applied Machine Learning | Cours 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. | 3 | Lu 16:00 – 17:30 Me 16:00 – 17:30 | 06-09-2019 – 06-12-2019 |
| Rabbany Reihaney | COMP 596 – Topics in Computer Science 3 | Dans ce cours, les sujets sont choisis parmi la vérification du programme, la sémantique formelle, la théorie des langages formels, la programmation simultanée, la complexité ou les algorithmes, la théorie des langages de programmation, les graphiques et d’autres sujets liés à l’informatique. Ce cours peut être répété pour crédit avec différents sujets. | 3 | Ma 10:00 – 11:30 Je 10:00 – 11:30 | 03-09-2019 – 05-12-2019 |
| Liam Paull | IFT 6757 – Véhicule Autonomes | 3 | Lu 10:30 – 12:30 Me 11:30 – 13:30 | 04-09-2019 – 04-12-2019 |
Liste des cours et horaires - Hiver 2019
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Lacoste-Julien Simon | IFT 6132 – Prédiction structurée avancée et optimisation | 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. | 4 | Ma 14:30 – 16:29 Je 13:30 – 15:29 | 08-01-2018 – 12-04-2019 |
| Courville Aaron | IFT 6135 – Apprentissage de représentations | Sujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés. | 4 | Lu 09:30 – 11:29 Me 12:30 – 14:29 | 07-01-2019 – 10-04-2019 |
| Mitliagkas Ioannis | IFT-6085 – Theoretical principles for deep learning | Ce 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. | 4 | Me 9:30 – 11:29 Je 9:00 – 11:29 | 09-01-2019 – 11-04-2019 |
| Rabusseau Guillaume | IFT-6760a – Séminaire en apprentissage automatique | 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. | 4 | Ma 12h30 – 14h29 Je 11h30 – 13h29 | 08-01-2019 – 12-04-2019 |
| Emma Frejinger | IFT-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. | 4 | Lu 11:30 – 13:29 Ma 10:30 – 12:29 | |
| Tang Jian | 6-600-18A – Data Mining Techniques | Ce 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. | 3 | Ve 18h30 – 21h30 | 11-01-2019 – 12-04-2019 |
| Gendron Bernard | IFT 6551 – Programmation en nombres entiers | 4 |
Liste des cours et horaires- Automne 2018
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Ioannis Mitliagkas | IFT 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. | 4 | Me 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 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 | Mar 14:30 – 16:29 Sem Ve 13:30 – 15:29 Sem | 2018-09-04 – 2018-12-07 |
| Paull Liam | IFT 6757-Autonomous Vehicles | 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 – 12:30 Me 11:30 – 1:30 | 05/09/2018 – 05/12/2018 |
| Guillaume Rabusseau | IFT 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. | 3 | Me 9:30 – 11:30 Lect Ju 9:30 – 10:30 Lect Ju 10:30 – 12:30 Lab | 2018-09-05 – 2018-12-06 |
| Cheung Jackie | Comp 550 (McGill)- Natural Language Processing | 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 | 2:35 PM – 3:55 PM TR ENGMC 13 | n/a |
| Lodi Andrea | MTH6404 (Poly)- Integer Programming | Course 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. | 3 | n/a | n/a |
| 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 | Mon 12:00-15:00 Lect | n/a |
| Charlin Laurent | 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 | Wed 8:30-11:30 Lect | n/a |
| Alain Tapp | Science 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/a | Lu 9:30 – 10:30 Ma 12:30-14:30 Lu 10:30-12:30 | 9-10-2018 – 03-12-2018 |
| Guillaume Lajoie | Dynamical 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 modernes | 3 | Ma 10:30-12:00, Ju 10:30-12:00 | 04/09/2018 – 20/12/2018 |
Liste des cours et horaires - Hiver 2018
| Noms Professeurs | Cours/sigles | Descriptions | Crédits | Horaires | Dates |
|---|---|---|---|---|---|
| Lacoste-Julien Simon | IFT 6132 – Prédiction structurée avancée et optimisation | 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. | 4 | Ma 14:30 – 17:29 Ve 14:30 – 16:29 | 23-01-2018 – 30-04-2018 |
| Courville Aaron | IFT 6135 – Apprentissage de représentations | Sujets avancés en algorithmes d’apprentissage : architectures profondes, réseaux de neurones et modèles probabilistes non supervisés. | 4 | Lu 09:30 – 11:29 Me 12:30 – 14:29 | 08-01-2018 – 30-04-2018 |
| 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. Apprentissage profond et par renforcement. | 3 | Ma 15:45 – 18:45 Je 13:45 – 16:45 | 08-01-2018 – 30-04-2018 |
| Precup Doina | COMP 767 (McGill) – Advanced Topics: Reinforcement learning | Sujets avancés en apprentissage par renforcement. | 4 | Ma 4:00 – 5:30 PM Je 4:00 – 5:30 PM | 08-01-2018 – 16-04-2018 |
| 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 | Ma 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 Mitliagkas | IFT-6085 – Theoretical principles for deep learning | Ce 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. | 4 | Me 9:30 – 11:30 Je 9:00 – 11:00 | 08-01-2018 – 30-04-2018 |
| Alain Tapp | IFT 6271 – Sécurité informatique | Confidentialité 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. | 3 | Lu 09:30 – 11:30 Je 12:30 – 13:30 | 08-01-2018 – 30-04-2018 |
| 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 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 |
| 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 |