Maîtrise en informatique

Structure du programme

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

Ce stage a pour objectif de permettre à l'étudiant d'appliquer dans une organisation publique ou privée les connaissances théoriques et pratiques acquises au cours de sa formation.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

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.

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.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

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

Sujets en intelligence artificielle

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.

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.

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.

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

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.

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.

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.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

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.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

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.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

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.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

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.

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.

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.

Sujets avancés en programmation linéaire; théorie des jeux; programmation non linéaire; théorie de la dualité; relaxation et décompositions lagrangiennes; décomposition de Benders; décomposition de Dantzig-Wolfe; méthode de points intérieurs.

Optimisation stochastique avec recours. Programmes stochastiques linéaires à deux étapes. Formulations compactes et explicites. Méthode L-Shaped. Problèmes à plusieurs étapes et en nombres entiers. Méthodes échantillonnales.

Processus de décision séquentiels déterministes et stochastiques. Horizons finis et infinis. Équations de récurrence. Algorithmes : itération des valeurs, itération des politiques, programmation linéaire, méthodes hybrides.

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.

Modèles stochastiques à événements discrets. Modélisation des aléas. Analyse des résultats et intervalles de confiance. Réduction de la variance. Analyse de sensibilité et optimisation. Génération de valeurs aléatoires.

Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

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

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle

Traitement numérique de la géométrie, modélisation géométrique et analyse de formes. Traitement de maillages; Laplacien; champs discrets de vecteurs; applications à la reconstruction de surfaces et à l’animation de personnages. Remarque: il est fortement recommandé de suivre le cours IFT3355 avant de s'inscrire à ce cours.

Ce cours couvre les aspects matériels et algorithmiques de l’impression 3D, et d’autres technologies de la fabrication numérique. Au cœur de ce cours se trouvent des approches de simulation physique et d’optimisation sous contraintes.

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.

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.

Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.

Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Ce cours traite de la théorie de l'information, qui définit mathématiquement le concept d'information et étudie les limites ultimes des tâches de traitement de données comme la compression et la transmission sur un canal bruité.

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.

Historique. Définitions de style opératoire (Vienne), dénotationnel (Scott) et déductif (Hoare, Dijkstra). Notions d'algèbre universelle, théorie des domaines, lambda-calcul typé. Illustrations pratiques. Développements récents.

Historique et définitions. Cryptographie et cryptanalyse. Théorie de l'information. Cryptographie conventionnelle, à clefs publiques, probabiliste et quantique. Génération pseudo et quasi aléatoire. Applications diverses.

Aspects de l'organisation d'un compilateur; génération et optimisation de code, récupération d'erreurs, analyse de flot de contrôle. Interprètes, performance, test et diffusion. Écriture d'un compilateur générant du code pour une machine réelle.

Introduction à la théorie de la mesure du logiciel et au génie logiciel expérimental. Conception et conduite des études empiriques en génie logiciel. Analyse (tests statistiques), interprétation et diffusion de résultats. Cas concrets.

Ingénierie dirigée par les modèles, conception des logiciels dirigée par simulation. Langages de modélisation, langages spécifiques au domaine, transformation de modèles, techniques d'analyse des modèles, introduction à la modélisation et simulation.

Introduction aux méthodes et techniques de fouille de données du génie logiciel. Dépôts logiciels et données associées. Extraction et fouille des données. Analyse et interprétation (statistiques, métriques, apprentissage machine). Étude de cas.

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

Intelligence artificielle, sécurité de l'information, économie des données personnelles, éthique de l'intelligence artificielle, médias sociaux, apprentissage à distance, commerce électronique, agents intelligents, systèmes de recommandation.

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.

Confidentialité et intégrité des données. Protection des réseaux et du commerce électronique. Clefs publiques et les tiers de confiance. Méthodes d'authentification. Coupe-feu. Gestion des mots de passe. Évaluation et gestion des risques et sécurité.

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.

Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.

Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.

Spécification et modélisation du logiciel. Méthodes formelles pour l'analyse du logiciel. Analyse empirique du contexte et du processus du développement. Mise en oeuvre de méthodes d'analyse en utilisant des compromis spécifiques au contexte.

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.

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.

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.

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.

Identification (gènes protéiques et d'ARNs structuraux introns) par comparaison de séquences et recherche de motifs. Alignements multiples et code génétique. Assemblage et annotation de séquence génomique.

Conformation macromoléculaire. Analyse de structures tridimensionnelles.

Modélisation géométrique. Courbes et surfaces. Visibilité. Lumière et ombrage. Modèles de transparence, réflexion, réfraction. Textures. Fractales et modèles stochastiques. Antialiasing. Lancer de rayons. Phénomènes naturels.

Rendu en temps réel pour jeux vidéo et animations. Équations de rendu, modèles de réflexion; harmoniques sphériques; OpenGL avec shaders; ombrage réaliste; calculs sur processeurs graphiques.

Cours couvrant la technologie de la chaîne de blocs (blockchain), incluant : primitives cryptographiques, algorithmes de consensus, opération de "blockchain", contrats intelligents, différentes plateformes de la "blockchain", études de cas et défis.

Évolution, théorie et modèles d'usagers et d'interactions. Styles de dialogues : langages de commande, menus, manipulation directe, langage naturel. Conception et gestion d'interfaces. Appareils et interactions multimédia.

Sujets en intelligence artificielle