Cours et horaires

Il s'agit d'un cours de type séminaire, dans le cadre duquel l'ensemble de la classe travaillera ensemble à l'organisation du cours. Dans les premiers cours, je donnerai une vue d'ensemble des LLM et je soulignerai les défis à relever. À la fin du cours, vous devriez être en mesure de contribuer de manière significative à la recherche de pointe dans le domaine de la compréhension du langage naturel.

Les véhicules autonomes sont sur le point de devenir l'une des applications les plus répandues et les plus importantes de l'autonomie, et ont fait l'objet d'une grande attention ces derniers temps.

Ce cours examine les problèmes de perception, de navigation, de planification et de contrôle, ainsi que leur intégration au niveau des systèmes dans le contexte des véhicules autoguidés, grâce à un programme d'enseignement de l'autonomie open source qui met l'accent sur l'expérience pratique. Dans le cadre de ce cours, les étudiant⋅e⋅s collaboreront à la mise en œuvre des concepts abordés dans les cours magistraux sur un véhicule autonome à faible coût dans le but de naviguer dans une ville modèle dotée de routes, de panneaux de signalisation, de feux de circulation, d'obstacles et de citoyens.

Ce séminaire explorera la manière dont l'apprentissage automatique peut être appliqué à la lutte contre le changement climatique. Nous verrons comment l'apprentissage automatique peut être utilisé pour atténuer les émissions de gaz à effet de serre et s'adapter aux effets du changement climatique, grâce à des applications dans les systèmes électriques, les bâtiments, les transports, l'agriculture, les interventions en cas de catastrophe et bien d'autres domaines. L'accent sera mis en particulier sur la compréhension du moment exact où l'apprentissage automatique est pertinent et utile, et sur la manière de définir le champ d'application, de développer et de déployer un projet de manière à ce qu'il ait l'impact escompté.

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 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., grappe d'ordinateurs). Nous étudierons en plus des modèles récents pour les systèmes de recommandations ainsi que pour la prise de décision (apprentissage par renforcement).

Ce cours couvre un ensemble de sujets sélectionnés dans le domaine de l'apprentissage automatique et de l'exploration de données, en mettant l'accent sur la compréhension du fonctionnement interne des algorithmes courants. La majorité des sections sont liées aux techniques d'apprentissage supervisé couramment utilisées et, dans une moindre mesure, aux méthodes non supervisées. Cela inclut les bases des algorithmes de régression linéaire et logistique, les arbres de décision, les machines à vecteurs de support, le clustering, les réseaux neuronaux, ainsi que les techniques clés pour la sélection des caractéristiques et la réduction de la dimensionnalité, l'estimation de l'erreur et la validation empirique.

Représentation des systèmes sous forme de modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage de paramètres à partir de données.

Éléments de base des algorithmes d'apprentissage statistique et symbolique. Exemples d'applications dans l'exploration de données, la reconnaissance des formes, la régression non linéaire et les données temporelles.

La conception de systèmes autonomes de prise de décision est l'un des objectifs de longue date de l'intelligence artificielle. De tels systèmes de prise de décision, s'ils sont réalisés, peuvent avoir un impact important sur l'apprentissage automatique pour la robotique, les jeux, le contrôle, les soins de santé, pour n'en citer que quelques-uns. Ce cours présente l'apprentissage par renforcement comme un cadre général pour concevoir de tels systèmes autonomes de prise de décision. À la fin de ce cours, vous aurez une solide connaissance des principaux défis liés à la conception de systèmes RL et de la manière de les aborder.

Introduction à la modélisation informatique du langage naturel, y compris les algorithmes, les formalismes et les applications. Morphologie informatique, modélisation du langage, analyse syntaxique, sémantique lexicale et compositionnelle, et analyse du discours. Applications choisies telles que le résumé automatique, la traduction automatique et le traitement de la parole. Techniques d'apprentissage automatique pour le traitement du langage naturel.

Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.

Ce cours fournit une introduction rigoureuse au domaine de l'apprentissage machine (ML). L'objectif du cours n'est pas seulement d'enseigner comment utiliser les algorithmes d'apprentissage automatique, mais aussi d'expliquer pourquoi, comment et quand ces algorithmes fonctionnent. Le cours introduit les algorithmes fondamentaux de l'apprentissage supervisé et de l'apprentissage non supervisé à partir des premiers principes. Le cours, tout en couvrant plusieurs problèmes d'apprentissage automatique comme la régression, la classification, l'apprentissage de la représentation, la réduction de la dimensionnalité, introduira la théorie de base qui unifie tous les algorithmes.

Applications des probabilités, statistiques et optimisation pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l'apprentissage automatique sur données structurées; généralisation et surapprentissage.

Étude des fondements théoriques des algorithmes d’apprentissage par renforcement en établissant des liens avec des disciplines connexes : recherche opérationnelle, simulations et optimisation stochastiques, commande optimale.

Il s'agit d'un cours sur l'apprentissage de représentations focusant sur l'apprentissage profond (deep learning). L'apprentissage profond a récemment été à l'origine d'un grand nombre de gains empiriques impressionnants dans un large éventail d'applications, notamment dans la reconnaissance et la détection d'objets dans les images, traitement du langage naturel et la reconnaissance vocale.

Dans ce cours, nous explorerons à la fois les fondements et les avancées récentes dans le domaine de l'apprentissage profond. Nous nous concentrerons sur les modèles de type réseau neuronal, y compris les réseaux neuronaux convolutifs et les réseaux neuronaux récurrents tels que les LSTM. Nous passerons en revue les travaux récents sur les mécanismes d'attention et les efforts visant à intégrer des structures de mémoire dans les modèles de réseaux neuronaux. Nous examinerons également certains des modèles génératifs modernes à base de réseaux de neurones, tels que les réseaux adverses génératifs (generative adversarial networks) et les autoencodeurs variationnels (variational autoencoders).