Faculté des arts et des sciences
Maîtrise en informatique
Structure du programme
Consulter la description du programme
Cycles supérieurs 2-175-1-0
Liste des cours
Titre officiel | Maîtrise en informatique (M. Sc.) |
---|---|
Type | Maîtrise ès sciences (M. Sc.) |
Numéro | 2-175-1-0 |
Version 06 (A22)
La maîtrise comporte un minimum de 45 crédits. Elle est offerte selon les options suivantes:
- l'option Générale (Segment 70), laquelle peut être suivie selon les modalités suivantes: mémoire (MM), stage (ST), ou travaux dirigés (TD).
- l'option Apprentissage automatique (segment 77), qui est suivie selon la modalité avec stage (ST).
Les six options suivantes peuvent être suivies selon la modalité avec mémoire (MM):
- l'option Imagerie (Segment 71)
- l'option Intelligence artificielle (Segment 72)
- l'option Biologie computationnelle (Segment 73)
- l'option Informatique théorique et quantique (Segment 74)
- l'option Programmation et génie logiciel (Segment 75)
- l'option Recherche opérationnelle (Segment 76).
Segment 70 Propre à l'option générale
Les crédits de l'option avec mémoire (MM), sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 crédits à option.
Les crédits de l'option avec stage (ST), sont répartis de la façon suivante : 22 crédits obligatoires attribués à un stage et 23 crédits à option.
Les crédits de l'option avec travaux dirigés (TD), sont répartis de la façon suivante : 22 crédits obligatoires attribués à la recherche et à la rédaction de deux travaux dirigés et 23 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.
La participation aux séminaires du Département est obligatoire.
Bloc MM-70A Fondements en informatique
Option - Maximum 12 crédits.Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Fondements de l'apprentissage machine
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.
Bloc MM-70B Élargissement des connaissances
Option - Maximum 16 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Sémantique des langages de programmation
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.
Cryptologie : théorie et applications
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Sécurité informatique
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.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc MM-70C Mémoire
Obligatoire - 30 crédits.Bloc ST-70A Fondements en informatique
Option - Maximum 12 crédits.Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Fondements de l'apprentissage machine
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.
Bloc ST-70B Élargissement des connaissances
Option - Maximum 24 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Sémantique des langages de programmation
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.
Cryptologie : théorie et applications
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Sécurité informatique
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.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc ST-70C Stage
Obligatoire - 22 crédits.Stage
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.
Bloc TD-70A Fondements en informatique
Option - Maximum 12 crédits.Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Fondements de l'apprentissage machine
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.
Bloc TD-70B Élargissement des connaissances
Option - Maximum 24 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Sémantique des langages de programmation
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.
Cryptologie : théorie et applications
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Sécurité informatique
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.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc TD-70C Travaux dirigés
Obligatoire - 22 crédits.Segment 71 Propre à l'option imagerie
Les crédits de l'option sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 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.
La participation aux séminaires du Département est obligatoire.
Bloc 71A Spécialisation en imagerie
Option - Minimum 8 crédits, maximum 16 crédits.Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Apprentissage automatique pour la vision
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.
Bloc 71B Élargissement des connaissances
Option - Maximum 8 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Sémantique des langages de programmation
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.
Cryptologie : théorie et applications
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Sécurité informatique
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.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc 71C Mémoire
Obligatoire - 30 crédits.Segment 72 Propre à l'option intelligence artificielle
Les crédits de l'option sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 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.
La participation aux séminaires du Département est obligatoire.
Bloc 72A Spécialisation en intelligence artificielle
Option - Minimum 8 crédits, maximum 16 crédits.Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Fondements de l'apprentissage machine
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc 72B Élargissement des connaissances
Option - Maximum 8 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Sémantique des langages de programmation
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.
Cryptologie : théorie et applications
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Sécurité informatique
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Bloc 72C Mémoire
Obligatoire - 30 crédits.Segment 73 Propre à l'option biologie computationnelle
Les crédits de l'option sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 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.
La participation aux séminaires du Département est obligatoire.
L'accès aux laboratoires en sciences biologiques est possible.
Bloc 73A Spécialisation en biologie computationnelle
Option - Minimum 8 crédits, maximum 16 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Bloc 73B Élargissement des connaissances
Option - Maximum 8 crédits.Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Théorie de l’information
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.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Sécurité informatique
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.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Fondements de l'apprentissage machine
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.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc 73C Mémoire
Obligatoire - 30 crédits.Segment 74 Propre à l'option informatique théorique et quantique
Les crédits de l'option sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 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.
La participation aux séminaires du Département est obligatoire.
Bloc 74A Spécialisation en Informatique théorique et quantique
Option - Minimum 8 crédits, maximum 16 crédits.Informatique quantique
Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.
Théorie de l’information
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.
Cryptologie : théorie et applications
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.
Sécurité informatique
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.
Informatique théorique
Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.
Bloc 74B Élargissement des connaissances
Option - Maximum 8 crédits.Principes d'analyse génomique
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.
Architecture des polymères biologiques
Conformation macromoléculaire. Analyse de structures tridimensionnelles.
Intelligence artificielle
Représentation des connaissances. Logique classique et techniques de résolution automatique de problèmes. Raisonnement non monotone, induction, connaissances et croyances. Planification.
Synthèse d'images
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 réaliste et interactif en médias numériques
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.
Chaîne de blocs et ses 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.
Interactions Humain - Machine
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.
Modélisation géométrique et analyse de formes
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.
Conception computationnelle/fabrication numérique
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.
Prédiction structurée avancée et optimisation
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.
Apprentissage de représentations
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.
Vision tridimensionnelle
Concepts de vision par ordinateur. Calibrage de caméra, stéréoscopie, flux optique, mosaïques et panoramas. Méthodes de reconstruction volumétrique.
Traitements d'images
Échantillonnage. Opérations sur les images. Amélioration. Restauration. Compression. Réalisation d'un projet appliqué.
Apprentissage par renforcement, commande optimale
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.
Apprentissage automatique pour les robots
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.
Apprentissage automatique antagoniste
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.
Méthodes tensorielles en apprentissage automatique
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.
Apprentissage automatique en continu
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.
Inférence causale et apprentissage automatique
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.
Principes théoriques de l'apprentissage profond
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.
Sémantique des langages de programmation
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.
Compilation
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.
Conception dirigée par modèles
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.
Fouille des dépôts logiciels
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.
Recherche d'information
Principe de la recherche d'information. Sélection des documents pertinents. Modèles booléen, vectoriel, probabiliste, logique. Réalisation. Évaluation des performances. Analyses linguistiques, syntaxiques et sémantiques.
Traitement des connaissances
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 pour la vision
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.
Modèles graphiques probabilistes et apprentissage
Représentation des systèmes comme des modèles graphiques probabilistes, inférence dans les modèles graphiques, apprentissage des paramètres à partir de données.
Traitement automatique des langues naturelles
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.).
TALN avec apprentissage profond
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.
Bio-informatique génomique
Comparaison et alignement des séquences biologiques. Structures secondaires des acides ribonucléiques. Recherche de motifs. Assemblage de fragments d'ADN, cartographie physique. Ordre des gènes.
Bio-informatique moléculaire
Structure 3D des protéines et ARN. Modèles et optimisation de l'énergie potentielle, moléculaire. Espace et recherche de conformations, modélisation comparative et de novo.
Fondements de l'apprentissage machine
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.
Programmation mathématique
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.
Programmation stochastique
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.
Programmation dynamique
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.
Programmation en nombres entiers
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.
Simulation : aspects stochastiques
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.
Méthodes de recherche opérationnelle
Programmation linéaire. Programmation en nombres entiers. Programmation non linéaire. Programmation dynamique. Modèles stochastiques. Simulation.
Analyse du logiciel
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.
Théorie de l'apprentissage automatique
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.
Véhicules autonomes
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.
Science des données
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.
Projets avancés en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Séminaire en apprentissage automatique
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.
Liens entre la vision par ordinateur et la langue
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.
Bloc 74C Mémoire
Obligatoire - 30 crédits.Segment 75 Propre à l'option programmation et génie logiciel
Les crédits de l'option sont répartis de la façon suivante : 30 crédits obligatoires attribués à la recherche et à la rédaction d'un mémoire et 15 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.
La participation aux séminaires du Département est obligatoire.
Bloc 75A Spécialisation en programmation et génie logiciel
Option - Minimum 8 crédits, maximum 16 crédits.Sémantique des langages de programmation
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.