DESS en apprentissage automatique

Structure du programme

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.

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.

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.

Préparation aux applications pratiques de l'apprentissage automatique à travers des projets concrets sur des données réelles. Utilisation de logiciels spécialisés d'apprentissage automatique pour l'intelligence artificielle. Remarque : Il est recommandé de prendre IFT6135 Apprentissage de représentations auparavant ou concomitant.

Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.

Sujets avancées pour la prédiction d'objets structurés (tels: graphes, couplages, réseau de flot). Apprentissage génératif vs discriminatif et modèles à énergie; CRF, SVM structurée, optimisation à grande échelle; algorithmes combinatoires; RNN.

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.

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.

À l'interface entre la théorie des jeux, l'optimisation et l'apprentissage automatique. Vise à comprendre comment plusieurs entités apprennent simultanément à résoudre une tâche commune, en contexte antagoniste.

Ce cours vise l’étude de diverses méthodes d’apprentissage automatique utilisant les techniques de décomposition matricielle et tensorielle et donne une introduction aux réseaux de tenseurs et à leurs applications en informatique et en apprentissage.

Ce cours étudie l’apprentissage continu qui vise à pousser l’intelligence artificielle moderne de "étroite" à "large", i.e. à développer des algorithmes capables d’un apprentissage continu sur un ensemble potentiellement infini de tâches différentes.

Ce cours explore les opportunités et les défis d’utiliser la causalité pour aider l’apprentissage automatique ou, inversement, d’utiliser l’apprentissage automatique pour aider la causalité.

Fondement et principes théoriques de l’apprentissage profond. L'objectif est de couvrir les travaux anciens et récents qui constituent les fondements mathématiques du domaine.

Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.

Apprentissage automatique avancé et perception visuelle; apprentissage de traits caractéristiques spatiaux et spatio-temporels; traits visuels de mi-niveau; modèles bio-inspirés et statistiques avancées d'images; données massives en vision.

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

Introduction aux problématiques de base du traitement des langues naturelles (modélisation de la langue, étiquetage de séquences de mots, analyse grammaticale) et à ses applications (traduction automatique, extraction d'information, etc.).

Concepts fondamentaux, tâches et techniques du traitement automatique du langage naturel (TALN); recherches de pointe en apprentissage profond pour le TALN; utilisation et applications au quotidien; modélisation.

Méthodes de troncature, génération de facettes. Méthodes d'énumération. Méthodes de décomposition. Applications : recouvrement et partition d'ensembles, localisation de dépôts, voyageur de commerce, problèmes d'horaire.

Outils théoriques de l'apprentissage automatique; analyse de la généralisation, de l'expressivité et de la complexité; chaînes de Markov, Monte-Carlo pour l'échantillonnage de modèles et systèmes d'apprentissage distribué.

Contrôle de véhicules autonomes avec vision par ordinateur et apprentissage automatique; construction d'un véhicule autonome à petite échelle; senseurs, vision, estimation d'état, navigation, planification, contrôle et actionnement.

Présentation et discussion par l'étudiant d'articles scientifiques en apprentissage automatique à la fine pointe de la recherche dans ce domaine, qui change d'une année à l'autre. On vise la compréhension des articles et la capacité à les expliquer. Remarque : Il est recommandé de prendre IFT6135 Apprentissage de représentations auparavant.

Présentation et discussion par l'étudiant d'articles scientifiques en apprentissage automatique à la fine pointe de la recherche dans ce domaine, qui change d'une année à l'autre. On vise la compréhension des articles et la capacité à les expliquer. Remarque : Il est recommandé de prendre IFT6135 Apprentissage de représentations auparavant.

Présentation et discussion par l'étudiant d'articles scientifiques en apprentissage automatique à la fine pointe de la recherche dans ce domaine, qui change d'une année à l'autre. On vise la compréhension des articles et la capacité à les expliquer. Remarque : Il est recommandé de prendre IFT6135 Apprentissage de représentations auparavant.

Progrès récents de la recherche sur la vision et le langage, un sous-domaine de l’intelligence artificielle qui permet d’étudier les tâches multimodales à l’intersection de la vision par ordinateur et du traitement du langage naturel.

Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.

Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.

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.

Série de présentations sur des sujets variés sur les thèmes fondamentaux et des applications en apprentissage automatique. Remarque : cours réservé aux étudiants inscrits au DESS en apprentissage automatique.

Série de présentations sur des sujets variés sur les thèmes fondamentaux et des applications en apprentissage automatique. Remarque : cours réservé aux étudiants inscrits au DESS en apprentissage automatique.

Stage de 4 mois dans une organisation publique ou privée permettant à l'étudiant d'appliquer les connaissances théoriques et pratiques en apprentissage automatique acquises au cours de sa formation.