Doctorat en informatique

Structure du programme

Méthodes de recherche appliquées à l'informatique : lecture d'articles, analyse, critique, évaluation par les pairs, revue de la littérature, rédaction et publication, communication des résultats, recherche empirique, collecte et analyse de données.

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.

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.

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.

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.

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.

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.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

Art algorithmique et art génératif, aléa et hasard, données ouvertes, physicalisation, mise en forme pour l'exposition d'art, écosystèmes de logiciels libres.

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.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

Traitement neuronal de la géométrie, apprentissage profond appliqué aux problèmes 3D, applications de la géométrie différentielle et de l'algèbre en géométrie, géométrie computationnelle, vision par ordinateur.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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

Méthodes de recherche quantitatives et qualitatives en IHM : codage qualitatif, conception d’enquêtes et d’entretiens, analyses statistiques (ANOVA, test t), conception d'expériences, collecte et intégrité des données, préoccupations éthiques. Remarque : interaction humain-machine (IHM), analyse de variance (ANOVA).

Principes de conception en interaction humain-machine (IHM) dans le contexte des systèmes d'IA. Ingénierie des invites, tests de robustesse, enchaînement, décomposition, garde-fous, équité, biais, comparaison entre modèles.

Théories classiques de l'interaction humain-machine (IHM) et leur utilisation dans la conception de méthodes efficaces d'interaction avec des IA. Avantages et inconvénients des interfaces conversationnelles. Exploration d'autres modes d'interaction.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

Conception et implantation de protocoles. Langages formels de spécification. Validation de protocoles. Tests de conformité. Considérations de performances. Applications.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

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.

Ce cours est publié sans description.

Ce cours est publié sans description.

Approfondissement des principaux éléments entourant le concept d’intégrité en milieu professionnel. Réflexions sur les enjeux éthiques à l’aide d’études de cas.

Exploration de l'état des connaissances concernant la problématique de la gestion du temps, tant dans la vie professionnelle que dans la vie personnelle.

Mobilisation de connaissances théoriques et pratiques dans un projet professionnel faisant appel à des compétences transversales.

Étude des stratégies, écueils et étapes menant à la rédaction finale d'un mémoire ou d'une thèse. Étude pratique du style rédactionnel : langue, style, concision.

Le leadership de soi est la 1re compétence à développer vers l’acquisition d’un leadership dit collaboratif. Se connaître et savoir être son propre leader sont les bases sur lesquelles reposent les compétences pour devenir d’un leader d’influence.

Médias de communication orale, éléments de base, formes de communication, préparation et prestation d'une présentation, communication scientifique, communication par affiches, notions de vulgarisation.

Étude introductive de l'écriture scientifique en anglais dans un contexte de publication, incluant les règles de communication écrite selon les styles de rédaction, les composantes d'un article et les meilleurs choix de revues pour publication.

Principaux programmes de bourses pour les cycles supérieurs. Analyse des composantes d'une demande de bourse avec exercices de rédaction. Processus d'évaluation des candidatures. Expérimentation des outils électroniques disponibles.

Ce cours est publié sans description.

Ce cours est publié sans description.