Coordonn�es

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

Enseignement

Automne 2016:

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

Cours donn�s les sessions pass�es:

• 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

Int�r�ts de recherche

J'effectue mes recherches dans le domaine des algorithmes d'apprentissage et de la perception artificielle, � l'institut des algorithmes d'apprentissage de Montr�al (MILA) au D�partment d'Informatique et Recherche Op�rationnelle de l'Universit� de Montr�al. Je suis  �galement membre associ� � l'Institut Canadien de Recherches Avanc�es  dans le programme de Calcul Neuronal et Perception Adaptative.

Je m'int�resse plus particuli�rement aux questions suivantes:

• Recherche des principes fondamentaux sous-tendant les capacit�s sup�rieures d'apprentissage des syst�mes adaptatifs intelligents. Tout comme le cerveau humain, de tels syst�mes doivent �tre capables, � partir des perceptions sensorielles brutes, de construire couche par couche et de fa�on autonome des repr�setations de plus haut niveau porteuses de sens. Le but est de mod�liser de fa�on non supervis�e la structure de la r�alit� observ�e en d�couvrant ses r�gularit�s.
• Les d�fis li�s � l'application des algorithmes d'apprentissage � de tr�s grands ensembles de donn�es, tels que les probl�mes de fouilles de donn�es (data mining) industriel.

• Algorithmes d'apprentissage d'inspiration g�om�trique. Je cherche notamment � repousser les limites des m�thodes non-param�triques classiques d'estimation de densit� et de classification, en se basant sur l'hypoth�se de vari�t�.
• La recherche de m�thodes d'apprentissage pouvant capturer les r�gularit�s en pr�sence d'un grand nombre de variables (tr�s haute dimension).
• Applications en reconnaissance des formes et de l'�criture, vision, traitement du langage naturel, et bio-informatique.

Voir aussi ma liste de publications.