Coordonnées

Bureau: Pavillon André Aisenstadt, local 3251
Tel:  514 343-7472
Fax: 514 343-5834
Laboratoire LISA: 514 343-6111 x1794
Adresse postale: Université de Montréal, Dept. IRO, CP 6128, Succ. Centre-Ville, Montréal, Québec, Canada, H3C 3J7
Par courrier rapide: Université de Montréal, Dept. IRO, suite 2194, 2920 Chemin de la tour, Montréal, Québec, Canada, H3T 1J8

Enseignement

Automne 2016:

• IFT1015 Programmation 1: Accès au site Web du cours via StudiUM
• IFT3395/6390 Fondements de l'apprentissage machine: Accès au site Web du cours via StudiUM

Cours donnés les sessions passées:

• IFT1015 (Programmation 1): H2013, H2012, A2009, H2009, A2008, H2008, H2007
• IFT1025 (Programmation 2): H2015, A2015, H2013, H2012
• IFT3395/6390 (Fondements de l'apprentissage machine): A2015, A2013, A2012, A2011, E2011, A2010, A2009, H2009, H2008, H2007

Intérêts de recherche

J'effectue mes recherches dans le domaine des algorithmes d'apprentissage et de la perception artificielle, à l'institut des algorithmes d'apprentissage de Montréal (MILA) au Départment d'Informatique et Recherche Opérationnelle de l'Université de Montréal. Je suis  également membre associé à l'Institut Canadien de Recherches Avancées  dans le programme de Calcul Neuronal et Perception Adaptative.

Je m'intéresse plus particulièrement aux questions suivantes:

• Recherche des principes fondamentaux sous-tendant les capacités supérieures d'apprentissage des systèmes adaptatifs intelligents. Tout comme le cerveau humain, de tels systèmes doivent être capables, à partir des perceptions sensorielles brutes, de construire couche par couche et de façon autonome des représetations de plus haut niveau porteuses de sens. Le but est de modéliser de façon non supervisée la structure de la réalité observée en découvrant ses régularités.
• Les défis liés à l'application des algorithmes d'apprentissage à de très grands ensembles de données, tels que les problèmes de fouilles de données (data mining) industriel.

• Algorithmes d'apprentissage d'inspiration géométrique. Je cherche notamment à repousser les limites des méthodes non-paramétriques classiques d'estimation de densité et de classification, en se basant sur l'hypothèse de variété.
• La recherche de méthodes d'apprentissage pouvant capturer les régularités en présence d'un grand nombre de variables (très haute dimension).
• Applications en reconnaissance des formes et de l'écriture, vision, traitement du langage naturel, et bio-informatique.

Voir aussi ma liste de publications.