Adam Oberman

Je suis professeur à l’Université McGill, au sein du département de mathématiques et de statistiques.

Mes recherches portent sur l’application de techniques mathématiques avancées dans le domaine de l’apprentissage profond. Mes domaines d’expertise principaux incluent la modélisation générative, les méthodes d’optimisation stochastiques, l’équité/la suppression des biais en vision par ordinateur et la généralisation dans l’apprentissage par renforcement.

Avant de rejoindre McGill en 2012, j’ai occupé un poste de professeur titulaire à l’Université Simon Fraser et j’ai effectué un stage postdoctoral à l’Université du Texas à Austin. J’ai obtenu ma formation de premier cycle à l’Université de Toronto et j’ai poursuivi des études supérieures à l’Université de Chicago. Au cours de ma carrière, j’ai également occupé des postes de visite à UCLA et à l’INRIA, Paris.

Mes recherches antérieures couvraient les domaines des équations aux dérivées partielles et du calcul scientifique, où j’ai apporté d’importantes contributions dans des domaines tels que le transport optimal numérique, les EDP géométriques et les problèmes de contrôle stochastique.

J’enseigne deux cours théoriques complets sur l’apprentissage automatique, couvrant des sujets tels que la théorie de l’apprentissage statistique et la théorie des noyaux.

Pour les étudiants diplômés potentiels intéressés à travailler avec moi, il est recommandé de postuler à Mila, ainsi qu’au département de mathématiques de McGill. Alternativement, les candidats peuvent envisager des opportunités de co-supervision avec des conseillers du programme d’informatique de McGill ou de l’Université de Montréal.