Cours et horaires

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.

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.

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.

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.

Ce cours est une introduction au traitement des équations différentielles non linéaires et plus généralement, à la théorie des systèmes dynamiques.

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.

L'apprentissage profond a connu un grand succès dans une variété de domaines tels que la reconnaissance vocale, la compréhension d'images et la compréhension du langage naturel. Ce cours vise à présenter les techniques de base de l'apprentissage profond et les progrès récents de l'apprentissage profond dans la compréhension du langage naturel et l'analyse des graphes.

Ce cours a pour but de présenter les techniques de base de l'apprentissage profond, y compris les réseaux neuronaux feedforward, les réseaux neuronaux convolutionnels et les réseaux neuronaux récurrents. Nous couvrirons également les progrès récents sur les modèles génératifs profonds. Enfin, nous présenterons comment appliquer ces techniques à la compréhension du langage naturel et à l'analyse de graphes.

Informatique (sciences) : algorithmes de Bandit, processus décisionnels de Markov finis, programmation dynamique, méthodes de Monte-Carlo, apprentissage par différence temporelle, bootstrapping, planification, méthodes d'approximation, apprentissage par politique de marche ou d'arrêt, méthodes de gradient de politique, abstraction temporelle et apprentissage par renforcement inverse.

Introduction aux idées fondamentales de la linguistique informatique et du traitement du langage naturel. Les sujets abordés comprennent la théorie du langage formel, la théorie des probabilités, l'estimation et l'inférence, et les modèles de structure du langage définis de manière récursive. L'accent est mis à la fois sur les fondements mathématiques du domaine et sur la manière d'utiliser ces outils pour comprendre le langage humain.

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.

Éléments de base des algorithmes d’apprentissage statistique. Exemples d’applications en forage de données, régression non linéaire, et données temporelles et apprentissage profond.

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).

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.

Ce cours permet d'approfondir les mathématiques essentielles pour l'informatique et est conçu pour enseigner non seulement les outils mathématiques importants, mais aussi la compétence de la pensée mathématique dans le contexte de la science informatique, y compris la manière de rédiger des preuves mathématiques avancées. 

Ce cours présente les modèles mathématiques modernes d'éclairage et les algorithmes nécessaires pour les résoudre et générer de belles images réalistes. Les méthodes numériques traditionnelles et les approches modernes basées sur l'apprentissage automatique seront abordées.

Ce cours s'adresse aux personnes qui n'ont aucune expérience en traitement du langage naturel (NLP) et qui souhaitent voir comment il peut être utilisée pour des applications passionnantes en science des données. Nous suggérons d'autres cours de NLP/CL si vous souhaitez vous concentrer sur l'aspect théorique du NLP/CL. Les sujets abordés dans ce cours sont les suivants : données linguistiques et applications, recherche dans les données, comment donner un sens aux données, modélisation du langage, langage aux décisions, recherche d'information, extraction d'information, réseaux sociaux (données Twitter et Facebook), systèmes de recommandation, éthique.

Tout au long du cours, nous prendrons plusieurs concepts du Natural Languge Understanding (NLU) tels que la signification ou des applications telles que la réponse aux questions, et nous étudierons comment le paradigme a changé, ce que nous avons gagné avec chaque changement de paradigme, et ce que nous avons perdu. Nous évaluerons de manière critique les idées existantes et essaierons d'en proposer de nouvelles qui remettent en cause les limites existantes. Nous nous efforcerons en particulier de rendre plus robustes les modèles d'apprentissage profond pour le langage. Ce cours se penchera également sur la façon dont les grands modèles de langage comme ChatGPT sont construits, et sur les dernières avancées sur la façon d'entraîner/utiliser ces modèles pour la tâche à accomplir.

Le cours couvre la représentation, l'inférence et l'apprentissage avec des modèles graphiques ; les sujets de haut niveau comprennent les modèles graphiques dirigés et non dirigés ; l'inférence exacte ; l'inférence approximative utilisant des méthodes basées sur l'optimisation déterministe, ainsi que des méthodes basées sur l'échantillonnage stochastique ; l'apprentissage avec des observations complètes et partielles.

Ce cours apprendra aux étudiants à reconnaître où et à comprendre pourquoi des problèmes éthiques et des questions politiques peuvent survenir lors de l'application de la science des données à des problèmes du monde réel. Il se concentrera sur les moyens de conceptualiser, de mesurer et d'atténuer les préjugés dans la prise de décision fondée sur les données.

Il s'agit d'un cours de troisième cycle, dans lequel nous couvrirons les méthodes d'apprentissage automatique et d'IA fiables et éthiques, en nous concentrant sur la perspective technique des méthodes qui permettent d'aborder les questions éthiques actuelles. Ces dernières années ont montré que la discrimination involontaire se produit naturellement et fréquemment dans l'utilisation de l'apprentissage automatique et de la prise de décision algorithmique. Nous travaillerons systématiquement à une compréhension technique de ce problème en tenant compte de son contexte social et juridique. Ce cours apportera une précision analytique et technique aux débats normatifs sur le rôle que la science des données, l'apprentissage automatique et l'intelligence artificielle jouent dans la prise de décisions conséquentes dans le commerce, l'emploi, la finance, les soins de santé, l'éducation, le maintien de l'ordre et d'autres domaines. Les étudiants apprendront à réfléchir de manière critique sur la façon de planifier, d'exécuter et d'évaluer un projet en gardant ces préoccupations à l'esprit, et sur la façon de faire face à de nouveaux défis pour lesquels il n'y a souvent pas de réponses faciles ou de solutions établies.

L'objectif de ce cours est d'introduire certaines mathématiques continues qui sont devenues de plus en plus importantes dans l'apprentissage automatique. Les sujets abordés comprennent : les espaces métriques, la topologie, la théorie de la mesure, les bases de la géométrie différentielle, les métriques sur les distributions de probabilité. L'accent sera mis sur la rigueur et les preuves plutôt que sur les applications. L'expérience d'un cours sérieux basé sur la preuve, au-delà d'un cours de mathématiques discrètes de premier cycle, est requise. L'inscription se fait sur autorisation de l'enseignant.

Les grands modèles de langage ont fait preuve d'un éventail impressionnant de compétences et de comportements. Ils sont maintenant déployés dans de nombreuses applications où ils sont en interface directe avec des utilisateurs humains. Il est donc nécessaire de poursuivre le développement de modèles et d'évaluations liés à leur capacité à traiter le sens implicite ou intentionnel dans le contexte, ce qui relève du domaine de la pragmatique en linguistique. Dans ce cours, nous examinerons les modèles informatiques de la pragmatique et la façon dont les systèmes de NLP ont été évalués empiriquement pour leur capacité de raisonnement pragmatique. Nous discuterons des théories classiques de la sémantique formelle et de la pragmatique, ainsi que des modèles statistiques et neuronaux plus récents.