Structure du programme
Titre officiel
D.E.S.S. en apprentissage automatique
Type
Diplôme d'études supérieures spécialisées
Numéro
2-175-1-2
Description de la structure
Version 02 (A21)
Le D.E.S.S. comporte 30 crédits.
Segment 70
Les cours du D.E.S.S. sont répartis de la façon suivante : 28 crédits obligatoires, dont 12 attribués à un stage, et 2 crédits à option.
Le choix de cours doit être conforme à l'un des plans d'études spécifiés par le Département selon le domaine choisi.
Bloc 70A Fondements en apprentissage automatique Obligatoire - 16 crédits.
| Cours | Titre | Crédits | Période | |
|---|---|---|---|---|
| IFT 6135 | Apprentissage de représentations | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6390 | Fondements de l'apprentissage machine | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6758 | Science des données | 4.0 | Cours de jour Cours de soir | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6759 | Projets avancés en apprentissage automatique | 4.0 | Cours de jour Cours de soir | |
|
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.
Voir la fiche détaillée
|
||||
Bloc 70B Approfondir les connaissances Option - Maximum 4 crédits.
| Cours | Titre | Crédits | Période | |
|---|---|---|---|---|
| IFT 6010 | Intelligence artificielle | 4.0 | Cours de jour | |
|
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Voir la fiche détaillée
|
||||
| IFT 6132 | Prédiction structurée avancée et optimisation | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6162 | Apprentissage par renforcement, commande optimale | 4.0 | ||
|
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.
Voir la fiche détaillée
|
||||
| IFT 6163 | Apprentissage automatique pour les robots | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6164 | Apprentissage automatique antagoniste | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6166 | Méthodes tensorielles en apprentissage automatique | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6167 | Apprentissage automatique en continu | 4.0 | Cours de soir | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6168 | Inférence causale et apprentissage automatique | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6169 | Principes théoriques de l'apprentissage profond | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6255 | Recherche d'information | 4.0 | Cours de jour | |
|
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Voir la fiche détaillée
|
||||
| IFT 6268 | Apprentissage automatique pour la vision | 4.0 | ||
|
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.
Voir la fiche détaillée
|
||||
| IFT 6269 | Modèles graphiques probabilistes et apprentissage | 4.0 | Cours de jour Cours de soir | |
|
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Voir la fiche détaillée
|
||||
| IFT 6285 | Traitement automatique des langues naturelles | 4.0 | ||
|
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.).
Voir la fiche détaillée
|
||||
| IFT 6289 | TALN avec apprentissage profond | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6551 | Programmation en nombres entiers | 4.0 | ||
|
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.
Voir la fiche détaillée
|
||||
| IFT 6756 | Théorie de l'apprentissage automatique | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6757 | Véhicules autonomes | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6760A | Séminaire en apprentissage automatique | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6760B | Séminaire en apprentissage automatique | 4.0 | Cours de soir | |
|
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.
Voir la fiche détaillée
|
||||
| IFT 6760C | Séminaire en apprentissage automatique | 4.0 | ||
|
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.
Voir la fiche détaillée
|
||||
| IFT 6765 | Liens entre la vision par ordinateur et la langue | 4.0 | Cours de jour | |
|
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.
Voir la fiche détaillée
|
||||
| MAT 6215 | Systèmes dynamiques | 4.0 | Cours de jour | |
|
Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.
Voir la fiche détaillée
|
||||
| MAT 6493 | Analyse géométrique de données | 4.0 | Cours de jour | |
|
Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.
Voir la fiche détaillée
|
||||
| MAT 6495 | Théorie spectrale des graphes | 4.0 | ||
|
Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.
Voir la fiche détaillée
|
||||
Bloc 70C Contextualiser les connaissances Option - Maximum 2 crédits.
| Cours | Titre | Crédits | Période | |
|---|---|---|---|---|
| IFT 6761 | Colloque 1 | 1.0 | Cours de jour | |
|
Série de présentations sur des sujets variés sur les thèmes fondamentaux et des applications en apprentissage automatique. Remarque : cours réservé aux étudiants inscrits au DESS en apprentissage automatique.
Voir la fiche détaillée
|
||||
| IFT 6762 | Colloque 2 | 1.0 | Cours de jour | |
|
Série de présentations sur des sujets variés sur les thèmes fondamentaux et des applications en apprentissage automatique. Remarque : cours réservé aux étudiants inscrits au DESS en apprentissage automatique.
Voir la fiche détaillée
|
||||
Bloc 70D Stage Obligatoire - 12 crédits.
| Cours | Titre | Crédits | Période | |
|---|---|---|---|---|
| IFT 6919 | Stage court en apprentissage automatique | 12.0 | ||
|
Stage de 4 mois dans une organisation publique ou privée permettant à l'étudiant d'appliquer les connaissances théoriques et pratiques en apprentissage automatique acquises au cours de sa formation.
Voir la fiche détaillée
|
||||
Date de la dernière modification: 01 juillet 2022
Signaler un changement
