Toujours à la recherche du meilleur !

Séminaire 11 (Organisé par le laboratoire GDAC-LIA )

• Date: Mardi 4 Décembre 2018 (12h00 au local PK4285). Choisissez votre pizza >>>ici<<< .
• Conférencier invité: Menhour Ihssene
• .
  
  • Titre: Développement de méthode de reconnaissance d'activités humaines à partir de données smartphones.
  
  
  • Résumé: La reconnaissance des activités joue un rôle important dans les applications de suivi médical et d’assistance aux personnes âgées que ce soit dans les habitats intelligents pour la santé, les hôpitaux ou dans les résidences pour personnes âgées. La reconnaissance des activités permet par exemple de détecter les évènements pouvant être dangereux pour la personne âgée et prévenir toute situation à risque.
    Bien qu’il existe divers designs de solutions possibles (e.g., reconnaissance par images de caméras, maisons intelligentes équipées de capteurs, etc.), nous discuterons principalement de l’exploitation des capteurs de smartphones pour collecter les données et du développement d’une méthode de reconnaissance d’activités à partir de ces derniers, pour établir le profil de l’utilisateur.
  
  
  Biographie: Menhour Ihssene est une doctorante de LISIC (Laboratoire d'Ingénierie des Systèmes Intelligents et Communicants), Université d’Alger USTHB, et actuellement en stage à l’UQÀM, au laboratoire GDAC-LIA.

Séminaire 10 (Organisé par L'ISC (Institut des sciences cognitives) en partenariat avec le laboratoire GDAC-LIA )

• Date: Lundi le 28 Mai 2018 (11h00 à midi au local DS-1950). SVP VOUS INSCRIRE PAR COURRIEL À : plourde.mireille@uqam.ca .
• Conférencier invité: Nathalie Guin
• .
  
  • Titre: Modèles et outils pour guider l'élicitation des connaissances en EIAH: analyse des traces, génération d'exercices, personnalisation des activités.
  
  
  • Résumé: L’un des principaux atouts des EIAH (Environnements Informatiques pour l’Apprentissage Humain) est leur capacité à s’adapter à l’apprenant, afin que chaque élève puisse apprendre à son rythme et selon ses besoins. La personnalisation est donc une des problématiques fondamentales de ce domaine de recherche. Nos travaux visent à proposer des modèles et des outils permettant l’élicitation des connaissances nécessaires à l’EIAH pour qu’il s’adapte automatiquement à chaque apprenant, mais selon une stratégie définie par l’enseignant. Il s’agit de permettre à un utilisateur (enseignant, expert, analyste) d’expliciter les connaissances qui seront nécessaires au système informatique pour accomplir la tâche que l’on en attend.
    Dans cet exposé, nous aborderons trois thématiques de recherche concourant à la personnalisation des EIAH.
    La première concerne la modélisation de l’apprenant. Il s’agit d’élaborer un profil de l’apprenant à partir de l’analyse de ses traces d’interaction avec un EIAH. Nous proposons un outil permettant à un utilisateur non informaticien d’explorer les traces, de leur donner du sens, et d’élaborer des méthodes de calcul d’indicateurs permettant d’alimenter un profil d’apprenant.
    La deuxième question de recherche concerne la construction d’exercices répondant à certains critères définissant un besoin. Nous proposons un outil auteur permettant à un enseignant de générer de manière semi-automatique des exercices d’entrainement. L’enseignant définit un modèle d’exercice destiné à évaluer une compétence, et des générateurs d’exercices exploitent ce modèle pour proposer plusieurs exercices évaluant la même compétence.
    Enfin, la troisième question de recherche concerne la manière dont on va piloter la génération d’exercices en fonction des profils. Nous considérons qu’il est important de confier la définition de la stratégie de personnalisation à l’enseignant. Nous proposons donc des modèles permettant une mise en œuvre par le système d’un processus d’individualisation défini par l’enseignant.
  
  
  Biographie: Nathalie Guin a obtenu en 1997 une thèse de doctorat en Informatique à l’Université Paris 6. Maître de conférences au département d’Informatique de l’Université Lyon 1 depuis 1998, elle a soutenu son Habilitation à Diriger des Recherches en 2014. Elle fait partie de l’équipe TWEAK (Traces, Web, Education, Adaptation, Knowledge) du laboratoire CNRS LIRIS. Ses travaux en EIAH sont conduits au sein de nombreux projets de recherche collaboratifs financés par le CNRS, l’ANR ou les Investissements d’Avenir. Actuellement présidente de l’ATIEF (Association des Technologies de l’Information pour l’Éducation et la Formation), elle anime depuis de nombreuses années la communauté de recherche française en EIAH. Nathalie Guin est actuellement professeure invitée à l’UQAM, dans le laboratoire GDAC-LIA.

Séminaire 9 (Organisé par le laboratoire GDAC-LIA ) Pizza à volonté :-) !

• Date: Jeudi le 10 Mai 2018 (12h30 au PK5115). Choisissez votre pizza >>>ici<<< .
• Conférencière invitée: Mr Elvys LINHARES PONTES
.

• Titre: Compression multi-phrases en utilisant des graphes étiquetés et la programmation linéaire.


• Résumé: La Compression Multi-Phrases (CMP) vise à générer une phrase courte avec des informations pertinentes à partir d'un ensemble de phrases similaires. La CMP permet aux systèmes de résumés et de question-réponse de mieux générer les sorties à partir d'un ensemble homogène de phrases provenant d'un ou plusieurs documents. Notre travail décrit une nouvelle méthode de programmation linéaire pour la CMP. Elle combine un graphe étiqueté pour sélectionner différents mots-clés, et des scores de 3-grammes pour générer des phrases informatives tout en préservant leur grammaticalité. Notre système surpasse les résultats de l'état de l'art pour des évaluations effectuées sur des données journalistiques. Nous avons mené des évaluations automatiques (ROUGE) et manuelles pour déterminer l'informativité et la grammaticalité des compressions. Des tests supplémentaires, tirant partie du fait que la longueur des compressions peut être contrôlée, ont montré que notre système peut encore améliorer les scores ROUGE, tout en produisant des compressions plus courtes.


Biographie: Elvys est diplômé de l'École d’Ingénieur en Informatique à l'Université Fédérale du Ceará (2008 - 2013) et détient un master en Systèmes d’Information de la même Université (2013 - 2015). Il a complété sa scolarité doctorale (troisième année de thèse) en Informatique à l’Université d’Avignon et des Pays de Vaucluse. Sa recherche porte sur le Traitement Automatique du Langage Naturel (TALN) au Laboratoire Informatique d’Avignon (LIA). Son projet de doctorat vise à développer des systèmes pour générer des résumés inter-langue. Il développe notamment des méthodes basées sur les Réseaux des Neurones (RNs) pour calculer les phrases embeddings et la similarité sémantique entre deux phrases. Il utilise le modèle sequence-to-sequence et la théorie des graphes pour compresser et traduire simultanément les phrases vers une langue cible dans le but de réaliser des résumés de textes inter-langue..

Workshop sur le Deep Learning, (Organisé par le laboratoire GDAC-LIA ) Pizza à volonté :-) !

• Date: Vendredi le 9 Février 2018 (9h30 - 13h au PK4610 et PK4285). Choisissez votre pizza >>>ici<<< et Inscrivez vous ici >>>ici<<< .
• Aurateurs: Mr Patrick GLAUNER, Mr Mickael Wajnberg, Mr Komi SODOKE, etc... .
  
  
  • Présentation 1: Introduction to Deep Learning
  • Résumé: Deep Learning is an umbrella term for a set of cutting-edge machine learning algorithms that are inspired by how the human brain works. It allows to self-learn feature hierarchies from the data rather than modeling hand-crafted features. It has proven to significantly improve performance in a number of machine learnings problems, in a particular in computer vision and speech processing. In this tutorial, we will first provide an introduction to the theoretical foundations of neural networks and Deep Learning. Second, we will present various Deep Learning architectures and show practical demonstrations of how these can be used. Attendees will acquire a sound understanding of Deep Learning and also understand the limitations of Deep Learning. This knowledge will help the attendees to choose the right models when analyzing their own data.
  Speakers: Patrick GLAUNER is a PhD student at the University of Luxembourg working on the detection of electricity theft through machine learning. He graduated as valedictorian from Karlsruhe University of Applied Sciences with a BSc in computer science and obtained his MSc in machine learning from Imperial College London. He was a CERN Fellow, worked at SAP and is an alumnus of the German National Academic Foundation (Studienstiftung des deutschen Volkes). He is also adjunct lecturer of artificial intelligence at Karlsruhe University of Applied Sciences. His current interests include anomaly detection, big data,computer vision, deep learning and time series.
  Mickael Wajnberg est un étudiant au doctorat en informatique à l'UQAM.
  
  
  • Présentation 2: Extraction automatique de séquences perceptivo-décisionnelle dans les domaines procéduraux mal-définis : cas de l’anesthésiologie
  • Résumé: L’acquisition d’expertise a été étudiée dans plusieurs domaines et ces recherches démontrent des changements de paradigme dans les différentes phases de l’évolution du stade de novice à celui de l’expert. Ce projet de recherche s’inscrit dans ce cadre général et porte spécifiquement sur la perception visuelle et le raisonnement clinique dans le domaine de l’anesthésiologie. L’approche adoptée en une étude comparative de la perception visuelle de novices et d’experts en relation avec leur raisonnement clinique face à une situation authentique en salle de simulation. Les données collectées seront analysées d’une part dans le but de dégager des régularités, séquences caractéristiques du novice et de l’expert et d’autre part d’extraire des connaissances implicites du domaine qui sont spécifique aux meilleures performances.
  Speaker: Komi SODOKE est un étudiant au doctorat en informatique cognitive à l'UQAM.

Séminaire 7 (Organisé par le laboratoire GDAC-LIA ) Pizza à volonté :-) !

• Date: Mardi le 28 Novembre 2017 (12h00 au PK4285). Choisissez votre pizza >>>ici<<< .
• Conférencier invité: Mr Benfriha Hichem .
  
  • Titre: Cellular Lattice For Text Categorization (CL4TC).
  
  
  • Résumé: Face à l’accroissement de l’information disponible dans les établissements hospitaliers qui possèdent de nombreuses bases de données d’informations médico-administratives, la catégorisation automatique de textes s’impose comme une technologie clé dans la recherche et l’extraction d’information. Ainsi la complexité d’exprimer ou de catégoriser des maladies reste une tâche très difficile pour les experts du domaine sachant que l’interprétation des phénomènes médicaux peut être de diverses façons et sous différentes formes. Dans cette présentation, nous allons décrire un nouveau système hybride baptisé CL4TC de catégorisation des comptes rendus hospitaliers par l’utilisation conjointe des treillis de Galois et de l’automate cellulaire CASI (Cellular Automata for Symbolic Induction).
  
  
  Biographie: Benfriha Hichem est enseignant à l'université de MASCARA et doctorant en informatique à l'université d'Oran 1 en Algérie. Il est également membre de l'équipe de recherche AIR (Apprentissage automatique, Intelligence artificielle et Raisonnement) du laboratoire d'informatique d'Oran (LIO). Ses domaines d’intérêts sont : la fouille de texte, la catégorisation de texte, les treillis de Galois, l'extraction de connaissances et la fouille de données.
  

Séminaire 6 (Organisé par le doctorat en informatique cognitive de l'UQAM )

• Date: Jeudi le 23 Novembre 2017 (10h30 au Local SH-2620 ) .
• Conférencier invité: Mr Hugo Larochelle .
  
  • Titre: Généralisation à partir de peu d'exemples à l'aide du méta-apprentissage
  
  
  • Résumé: La majorité des progrès récents sur de nombreuses tâches d'IA ont été rendus possible grâce à la disponibilité de grandes quantités de données étiquetées. Pourtant, les humains sont capables d'apprendre des concepts à partir d'une poignée d'exemples. Le méta-apprentissage est un cadre très prometteur pour aborder ce problème de la généralisation à partir de petites quantités de données ("few-shot learning"). Dans ce cadre, le modèle à entraîner est lui-même un algorithme d'apprentissage: il prend en entrée un ensemble d'entraînement et retourne en sortie un classificateur. Pour la généralisation à partir de peu d'exemples, le modèle est (méta-)entraîné directement à produire des classificateurs ayant une bonne performance de généralisation pour des problèmes ayant très peu de données étiquetées. Dans cette présentation, je vais passer en revue la recherche récente ayant permis des progrès excitants sur ce sujet.
  • Biographie: Hugo Larochelle est chercheur et responsable de l'équipe Google Brain à Montréal, ainsi que Professeur Associé aux Universités de Montréal et de Sherbrooke. Précédemment, il a co-fondé la compagnie Whetlab, acquise en 2015 par Twitter, où Hugo a par la suite été chercheur dans le groupe Twitter Cortex. De 2009 à 2011, il a été chercheur postdoctoral dans le groupe d'apprentissage automatique de l'Université de Toronto, sous la direction du Professeur Geoffrey Hinton. Il a obtenu son doctorat à l'Université de Montréal, sous la direction du Professeur Yoshua Bengio. Il a reçu deux Google Faculty Awards, est éditeur associé pour la revue scientifique IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), est membre du comité éditorial du Journal of Artificial Intelligence Research (JAIR), et organisateur de la International Conference on Learning Representations (ICLR) de 2015, 2016 et 2017. Finalement, Hugo a publié gratuitement, sur YouTube, plusieurs cours sur l'intelligence artificielle et l'apprentissage automatique, incluant un cours populaire sur l'apprentissage profond (deep learning) et les réseaux de neurones.

Séminaire 5 (Organisé par le doctorat en informatique cognitive de l'UQAM )

• Date: Jeudi le 19 octobre 2017 (10h30 à 12h au Local PK-5115 ) .
• Conférencier invité: Mr David LABBE .
  
  • Titre: La réalité virtuelle pour prévenir les blessures sportives et améliorer la réadaptation motrice
  
  
  • Résumé: La réalité virtuelle permet un grand contrôle de tous les éléments de l’environnement de l’utilisateur, permettant ainsi de créer des contextes d’apprentissage qui sont impossibles dans la réalité physique. Le professeur David Labbé présentera les résultats de ses récents travaux où il utilise la réalité virtuelle pour faire l’entrainement cognitif d’athlètes afin de réduire leur risque de blessure ligamentaire et augmenter leurs performances sportives. Il présentera aussi les résultats de ses études portant sur l’utilisation d’égo-avatars virtuels pour améliorer la réadaptation motrice, notamment suite à un accident vasculaire cérébral (AVC).
  • Biographie: David Labbe détient un Ph.D. en génie des technologies de la santé de l’École de technologie supérieure (ETS) de Montréal. Il est professeur agrégé au département de génie logiciel et des technologies de l’information de l’ETS, chercheur au Centre de recherche du Centre hospitalier de l’Université de Montréal (CRCHUM) et professeur associé à l’École d’optométrie de l’Université de Montréal. Sa programmation de recherche est axée sur le développement de nouveaux outils de réalité virtuelle et augmentée, principalement dans les domaines de la réadaptation motrice et de l’entrainement cognitif des athlètes.

Séminaire 4 (Midis-Conférences)

• Date: Mercredi 18 octobre 2017 (12h au Local PK-5115 ) .
• Conférenciers invités: Mme Sophie Callies et Mr Eric Lavallée .
  
  • Titre: Réalité virtuelle et augmentée: du divertissement à la formation spécialisée
  
  
  • Résumé: La nouvelle génération de casques de réalité virtuelle (VR) et de réalité augmentée (RA), à des coûts d'acquisition raisonnables, a un immense potentiel d'applications dans divers domaines, dont le divertissement, la formation et la réhabilitation. Nous débuterons la présentation avec un bref historique et un tour d'horizon des différentes technologies disponibles sur le marché, allant des vidéos à 360° à la RA, en passant par la RV. Nous présenterons les caractéristiques propres à ces technologies et les différences avec les interfaces multimédias traditionnelles. Nous discuterons de leurs avantages et inconvénients, comme leurs capacités exceptionnelles d’immersion, leurs risques de nausée lors d'utilisation prolongée, etc. Enfin, nous ferons la démonstration d'un prototype d'application de RV développé dans le cadre d'un partenariat UQAM-ellicom pour la formation des monteurs de lignes à haute et basse tensions chez Hydro-Québec. Nous ferons part de notre expérience relativement aux outils et méthodes utilisés, et les embûches et réussites vécues. En conclusion, nous identifierons des problématiques de recherche. Après la présentation, il vous sera possible de faire l'essai de notre prototype à l'aide d'un casque HTC vive.
  • Biographie: Sophie Callies a obtenu en 2016 un doctorat en informatique cognitive à l’UQAM. Sa thèse portait sur les architectures de jeu sérieux. Elle a ensuite effectué un stage postdoctoral dans le cadre d'un partenariat ellicom-UQAM sur la réalité virtuelle appliquée à la formation. Depuis septembre 2017, Sophie est chef du département R&D d’ellicom, learder en solutions de formation en ligne (e-learning).
    Eric Lavallée est finissant au baccalauréat en informatique et génie logiciel à l’UQAM. Il a obtenu deux fois la bourse de recherche de premier cycle du CRSNG pour des stages effectués au laboratoire GDAC de l'UQAM. À l'hiver 2018, il entreprendra une maîtrise en informatique sous la direction du professeur Éric Beaudry avec un projet de recherche en intelligence artificielle.

Séminaire 3 (Organisé par le doctorat en informatique cognitive de l'UQAM )

• Date: Jeudi le 30 mars 2017 (10h30 au Local PK-1140 ) .
• Conférencier invité: Mr Yoshua BENGIO .
  
  • Titre: Apprentissage profond et cognition
  
  
  • Résumé: L'apprentissage profond a apporté une révolution en intelligence artificielle qui a ses racines dans l'observation du cerveau, autant au niveau des neurosciences que des sciences cognitives. Le concept de base est celui de l'apprentissage de représentations (d'où le nom de la International Conference on Learning Representations). Ces représentations sont distribuées et cherchent à capter les facteurs explicatifs des données (entrées autant que variables à prédire). Un premier jalon important a été obtenu avec les modèles neuronaux de la langue qui produisent des vecteurs de représentation pour les mots, captant autant les aspects sémantiques que grammaticaux. Plus récemment, un bouleversement semblable a eu lieu dans le domaine de la traduction automatique grâce à ces idées, combinées avec le concept d'attention douce. Les questions fondamentales sur l'apprentissage non-supervisé de représentations qui démêleraient ces facteurs explicatifs, à plusieurs échelles temporelles ou spatiales, restent entières. Au-delà des pures données textuelles, plusieurs chercheurs explorent des cadres d'apprentissage où l'apprenant agit dans son environnement, permettant d'ancrer le sens des mots et peut-être d'utiliser les concepts abstraits comme des outils pour capter les relations causales et permettre de planifier les actions d'un agent apprenant, ce qui touche à des concepts de base de la cognition, comme les notions d'objet, de type et d'agent.
  
  
  • Biographie: Yoshua Bengio est professeur titulaire au Département d'informatique et de recherche opérationnelle de l'Université de Montréal. depuis, 1993. Il est spécialiste en intelligence artificielle, et pionnier du deep learning. Depuis 1993, il Il est le fondateur et directeur de l'Institut des algorithmes d'apprentissage de Montréal (MILA) et titulaire de deux chaires de recherche1 dont la Chaire de recherche du Canada en algorithmes d'apprentissage statistique de l'Université de Montréal dont il est le directeur depuis 2005. Yoshua Bengio a fait ses études à Montréal, a obtenu son doctorat en informatique de l'Université McGill en 1991 et a effectué des études postdoctorales au MIT. Il est l’éditeur du Journal of Machine Learning Research et de Foundations and Trends in Machine Learning de même qu'éditeur associé de Neural Computation. Il a également été éditeur associé des revues The Machine Learning Journal et de IEEE Transactions on Neural Networks and Learning Systems.

Séminaire 2

• Date: Mercredi 15 février 2017 (12:00 - 13:30 au PK-4285) . Choisissez votre pizza >>>ici<<<
• Conférencière invitée: Mme Schahrazed FENNOUH .
  
  • Titre: Une méthode de filtrage des treillis de concepts pour la restructuration d’ontologies par l’Analyse Relationnelle de Concepts
  
  
  • Résumé: Un modèle ontologique, comme la plupart des projets d’ingénierie des systèmes d’information (modèles conceptuels et code source), est sujet à des erreurs et des anomalies. Des travaux ont tenté de détecter ces anomalies et ont proposé des méthodes pour leur correction en passant par un processus de restructuration. Ce processus vise l’amélioration de la qualité d’une ontologie et par conséquent faciliter sa compréhension et sa maintenabilité. Des approches existantes ont abordé la restructuration dans différentes perspectives. Cependant, il n’existe toujours pas de méthodologie bien établie qui couvre tout le processus de restructuration et qui permet de faire un remaniement global de la structure de l’ontologie. De plus, ces approches se focalisent sur un seul niveau de la restructuration, soit la détection et la correction des erreurs existantes liées au modèle conceptuel de l’ontologie et ne tentent pas d’identifier d’autres connaissances aussi pertinentes pour le domaine modélisé et qui sont manquantes dans l’ontologie actuelle. Pour répondre à cette problématique, nous proposons une approche de restructuration des ontologies basée sur un cadre formel qui est L’Analyse relationnelle de concepts (ARC). Cette approche devrait assurer trois étapes principales: (1) le codage de l’ontologie initiale dans le format d’entrée de l’ARC; (2) l’application des méthodes de l’ARC pour l’analyse des données de l’ontologie et leur organisation sous formes de treillis de concepts formels; et (3) la génération de l’ontologie restructurée à partir des treillis construits. Notre principale contribution serait de gérer la complexité de ces treillis de concepts par le filtrage des éléments pertinents qui vont constituer les éléments de l'ontologie restructurée.
  
  
  • Biographie: Schahrazed FENNOUH détient un Ph. D en informatique de l’Université du Québec À Montréal (2016). Son travail porte sur la restructuration des ontologies OWL et l’Analyse relationnelle de concepts. Elle a participé au projet PRIOWS – Un programme de recherche appliquée en ingénierie ontologique pour le web sémantique. Ses domaines d’intérêts sont : ingénierie ontologique, extraction de connaissances, fouille de données, apprentissage machine et intelligence artificielle.

Séminaire 1

• Date: Mercredi 25 janvier 2017 (12:30 - 13:30 au SH-3120) (Pizza et boisson à volonté à partir de 12:00 au PK-4285). Choisissez votre pizza >>>ici<<<
• Conférencier invité: Mr Philippe Fournier-Viger .
  
  • Titre: Découvertes de motifs périodiques et profitables pour l'analyse du comportement des consommateurs.
  
  
  • Résumé: L'analyse du comportement des consommateurs est un problème classique en fouille de données. Dans sa formulation originelle, il consiste à analyser les transactions (achats) de consommateurs pour y déceler des motifs fréquents tels que des groupes d'items fréquemment achetés par des consommateurs. Ces motifs découverts peuvent être ensuite utilisés pour comprendre le comportement des consommateurs et aider la prise de décision. Bien que la découverte de motifs fréquents à de nombreuses applications, elle ignore des critères importants dans la sélection des motifs tel que le profit généré par les achats des consommateurs. De plus, les algorithmes traditionnels sont inadéquats pour a découverte de motifs cycliques (ex.: les habitudes d'achats de produits sur une base hebdomadaire ou mensuelle). Pour pallier ces limites, un nouvel algorithme nommé PHM (Periodic High-utility itemset Miner) est proposé pour la découverte de motifs périodiques générant un profit élevé. Une évaluation expérimentale démontre que l'algorithme est efficient et peut filtrer un grand nombre de motifs non périodiques pour ne présenter que les motifs périodiques et profitables à l'utilisateur. La présentation discutera également brièvement d'autres problèmes connexes.
  
  
  Biographie: Philippe Fournier-Viger (Ph.D) est professeur titulaire au Harbin Institute of Technology (Shenzhen), en Chine. Il détient un Doctorat en informatique cognitive de l'Université du Québec à Montréal (2010). Il a participé à plus de 130 articles de recherche, qui ont reçu plus de 1,100 citations. Ses intérêts de recherche portent d'une part sur la recherche fondamentale en fouille de données (conception d'algorithmes de découverte de motifs intéressants de divers types dans des bases de données, analyse/prédiction de séquences), et d'autre part sur des problèmes appliqués liés au cyberapprentissage, l'analyse de réseaux sociaux, l'analyse de textes et la conception de produits industriels. Récemment, il a reçu la prestigieuse subvention "Youth 1000" de la National Science Fundation of China. Il est aussi le fondateur de la populaire librairie open source de fouille de donnée SPMF, citée dans plus de 400 articles de recherche depuis 2010. Il est éditeur en chef du journal Data Mining and Pattern Recognition et directeur du Center of Innovative Industrial Design.