Déroulement

• L’étudiant devra s’inscrire aux cours IFT2015 et IFT2125 dès le 1^er trimestre de scolarité. Si l’un des 2 cours n’est pas offert, l’inscription à ce cours sera reportée au prochain trimestre où il est offert. Si l’étudiant a déjà été inscrit à l’un de ces cours, par exemple lors d’études de 1^er cycle au DIRO, il doit en faire part au titulaire du cours.
  
  
• Le candidat n'est alors pas tenu de rendre les devoirs, bien qu'il soit encouragé à le faire. L'évaluation ne portera que sur les examens (mi-session et final). Le professeur attribuera la note littérale au candidat en se basant sur les résultats de l'ensemble des étudiants inscrits au cours.

Critère de réussite 

• Le candidat devra obtenir une note supérieure ou égale à B+ à chacun des 2 cours.
  
  
• Si l'étudiant obtient une note inférieure à B+ à l'un des cours, il devra reprendre les examens du cours lors du prochain trimestre où le cours est offert. Aucune suspension de scolarité ne sera accordée à un étudiant qui a échoué à son 1^er essai.
  
  
• Si l'étudiant obtient une note inférieure à B+ lors de la reprise de l'examen d'un cours, il est exclu du programme.

Exemption pour étudiants exceptionnels

• L'étudiant ayant déjà suivi IFT2015 ou IFT2125 pendant ses études de 1^er cycle ou ses études préparatoires à la maîtrise et qui a obtenu une note minimale de A- est exempté des examens de ce cours.
  
  
• L'étudiant ayant réussi l'équivalant d'un de ces cours dans un établissement autre que l'Université de Montréal devra en faire la preuve et avoir obtenu un résultat équivalant à A- ou plus dans l'établissement concerné pour être exempté des examens du cours correspondant. La décision d'exempter ou non un étudiant relève du comité du prédoctorat, en collaboration avec le responsable des études supérieures au DIRO.

Déroulement

L'examen de vérification du niveau de synthèse des connaissances de l'étudiant dans son domaine de spécialité prend la forme d'un examen écrit offert aux trimestres d'automne et d'hiver. Il est de la responsabilité du directeur de recherche et du laboratoire du candidat d'accélérer l'achèvement de cette étape.

Pour pouvoir passer cet examen de la partie 2 de son prédoc, l'étudiant doit avoir réussi la partie 1 du prédoc (ou en avoir été exempté) et il doit avoir fait les deux cours gradués requis au programme de son doctorat.

Calendrier pour le trimestre d'automne 2023

Critère de réussite

Le candidat doit obtenir une note au moins égale à B à l'examen. Si l'étudiant obtient une note inférieure à B, il doit reprendre l'examen au cours du prochain trimestre. Aucune suspension de scolarité ne sera accordée à un étudiant qui a échoué à son 1er essai. Si l'étudiant obtient une note inférieure à B lors de la reprise de l'examen, il est exclu du programme. 

Sujets

Les domaines pour l'examen de spécialité correspondent aux laboratoires actuels du DIRO.

• Informatique :
  

  • Biologie informatique et théorique (LBIT)
  • Génie logiciel (GEODES)
  • Informatique théorique et quantique (LITQ)
  • Imagerie
    • Infographie (LIGUM)
    • Traitement d'images
    • Vision 3D (VISION)

  • Intelligence artificielle
    • Algorithmes d'apprentissage (MILA)
    • Linguistique informatique (RALI)
    • Robotique

  • Neuroinformatique
  • Parallélisme (LTP)
  • Réseaux de communication (LRC)

• Recherche opérationnelle :
  
  • Optimisation déterministe
  • Modèles stochastiques

La matière à couvrir pour chaque domaine de l'examen de spécialité est la suivante :

LBIT (Miklós Csűrös, Nadia El-Mabrouk, Sylvie Hamel, François Major)

L'examen en biologie computationnelle est constitué de 2 parties portant sur 2 thèmes différents. L'étudiant doit choisir 2 thèmes parmi les 4 proposés ci-dessous et étudier en profondeur les articles donnés pour ces thèmes. L'étudiant doit communiquer son choix au comité. L'examen sera composé de 2 questionnaires portants sur les 2 thèmes choisis par l'étudiant.

• Thème I. Génomique comparative (proposé par Sylvie Hamel)
   
  
  1. Anne Bergeron, Julia Mixtacki et Jens Stoye, "A new linear time algorithm to compute the genomic distance via the double cut and join distance", Journal of Theoretical Computer Science, 410(51), 2009.
     http://drops.dagstuhl.de/opus/volltexte/2010/2689/pdf/10231.StoyeJens.Paper.2689.pdf
      
  2. Aïda Ouangraoua et Anne Bergeron, "Parking functions, labeled trees and DCJ sorting scenarios", RECOMB-CG 2009, LNCS 5817, pp 24-35, 2009.
     https://arxiv.org/abs/0903.2499
      

• Thème II. Phylogénie (proposé par Nadia El-Mabrouk)
  
  1. Guy Perrière et Céline Brochier-Armanet, "Concepts et méthodes en phylogénie moléculaire," Springer-Verlag, France, 2010

• Thème III. Bio-informatique de la régulation génique par les microARN (proposé par François Major)
   
  
  1. Hafner et al., "Transcriptome-wide identification of RNA-binding protein and microRNA target sites by PAR-CLIP". Cell 141, 129-141 (2010).
      
  2. Selbach et al., "Widespread changes in protein synthesis induced by microRNAs". Nature455, 58-63 (2008).
      

• Thème IV. Next-generation sequencing, genome assembly (proposé par Miklós Csűrös)
   
  
  1. Jay Shendure et Erez Lieberman Aiden, "The expanding scope of DNA sequencing", Nature Biotechnology 30:1084-1094 (2012).
      
  2. Niranjan Nagarajan et Mihai Pop, "Sequence assembly demystified", Nature Reviews Genetics, 14:157-167 (2013).

GEODES (Houari Sahraoui, Michalis Famelis, Eugene Syriani)

L'examen en génie logiciel est constitué de 3 parties, chacune contenant des questions sur un article.

Les articles sont :

1. D. Poshyvanyk, Y. G. Gueheneuc, A. Marcus, G. Antoniol and V. Rajlich, "Feature Location Using Probabilistic Ranking of Methods Based on Execution Scenarios and Information Retrieval," in IEEE Transactions on Software Engineering, vol. 33, no. 6, pp. 420-432, June 2007.http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4181710ieeexplore.ieee.org/stamp/stamp.jsp


2. Paige Rodeghero, Siyuan Jiang, Ameer Armaly, and Collin McMillan. 2017. Detecting user story information in developer-client conversations to generate extractive summaries. In Proceedings of the 39th International Conference on Software Engineering (ICSE '17). IEEE Press, Piscataway, NJ, USA, 49-59. DOI: doi.org/10.1109/ICSE.2017.13


3. Egea, Marina, and Carolina Dania. "SQL-PL 4OCL: an automatic code generator from OCL to SQL procedural language." Software & Systems Modeling (2017): 1-23.https://doi.org/10.1007/s10270-017-0597-6doi.org/10.1007/s10270-017-0597-6

LITQ (Louis Salvail)

Une page de notes recto verso est autorisée.

Les sujets seront tirés des 2 livres suivants. La référence 1. est la principale.

1. Michael Sipser, Introduction to the theory of Computation, 2e édition, Course Technology, 2006.

                                              *Chapitres 1,2,3,4,5,6,7,8,10.

Toute la matière est donnée dans Sipser. Le livre suivant couvre la même matière d'une façon un peu plus théorique.

2. John E. Hopcroft, Rajeev Motwani et Jeffrey D. Ullman, Introduction to Automata Theory, Languages, and Computation, 2e édition, Addison-Wesley, 2001.

                                              *Chapitres 8,9,10,11 (sauf 11.5).

Il vous faudra avoir une bonne connaissance des langages réguliers et hors contextes. Être capable de montrer qu'un langage est ou n'est pas régulier et être capable de montrer qu'un langage est ou n'est pas hors contexte. Il faut connaître les principales propriétés que possèdent ces deux classes ainsi que les types d'automates et de grammaires associés à ces classes.

Au sujet de la décidabilité et de la reconnaissabilité, il faudra connaître les principales propriétés des classes DEC (langages décidables) et RE (langages reconnaissables). Il faut être capable de montrer qu'un langage est ou n'est pas dans l'une ou l'autre de ces deux classes. Le théorème de Price et le théorème de récursion de Kleene sont au menu.

L'examen traitera également des classes de complexité P, NP, co-NP, IP, PSPACE et NPSPACE. Il faut connaître leur définition et être capable de les mettre en relation. Il faut également pouvoir montrer qu'un langage est dans l'une ou l'autre de ces classes.

Pour la classe NP, la référence suivante est très pertinente.

Gilles Brassard et Paul Bratley, Fundamentals of Algorithmics, Prentice Hall, 1996.

                                              *Chapitre 12.

Imagerie (LIGUM / Traitement d'Images / VISION) (Pierre Poulin)

L'examen en imagerie est constitué de deux (2) parties, chacune provenant de questions sur un article. L'étudiant doit donc choisir deux (2) articles parmi ceux offerts par les professeurs en imagerie (Mikhail Bessmeltsev, Max Mignotte, Pierre Poulin, Sébastien Roy, Neil Stewart, Bernhard Thomaszewski). L'étudiant doit en aviser le responsable (Pierre Poulin) le plus tôt possible afin d'assembler son questionnaire. Lors de l'examen, une version imprimée de chaque article choisi sera fournie à l'étudiant.

Intelligence artificielle

L'étudiant devra choisir une des 3 options possibles sur laquelle son examen de spécialité portera :

1. Apprentissage
2. Traitement de la langue naturelle
3. Robotique

APPRENTISSAGE (Guillaume Rabusseau)

1. Deep Learning Book http://www.deeplearningbook.org
   Partie I et II au complet.
   Partie III: sections 13.1, 13.2, 13.5; 14.1--6; 15.2--5; 16 et 17 en entier.
   
   
2. Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2006
   Sections: 1.5, 4.1--3, 6.1--3, 7.1, 9.1--4


3. L'ensemble des sujets présentés dans les cours IFT6390 et IFT6135

TRAITEMENT DE LA LANGUE NATURELLE (Bang Liu)

L'ensemble des matières présentées dans le cours IFT6289 et sa liste de
lectures.

ROBOTIQUE (Glen Berseth et Liam Paull)

• L'ensemble des matières présentées dans les cours IFT6757 et IFT6095.

LTP (Marc Feeley, Stefan Monnier)

1. Andrew W. Appel, "Modern compiler implementation in C/ML/Java", Cambridge University press, deuxième édition, 2002. Chapitres 1 - 17.
    
2. Benjamin C. Pierce, "Types and Programming Languages", The MIT Press, 2002 Chapitres 1-14 (types simples), 22-25 (Système F).

NeuroInformatique

L'examen en neuroinformatique est constitué de 2 parties portant sur 2 thèmes différents. L'étudiant doit choisir 2 thèmes parmi les 4 proposés ci-dessous et étudier en profondeur les articles ou livres donnés pour ces thèmes. L'étudiant doit communiquer ses choix au moment de son inscription à l’examen. L'examen sera composé de 2 questionnaires portants sur les 2 thèmes choisis par l'étudiant. :

• Thème I. Modèles computationnels du cerveau et imagerie par résonance magnétique fonctionnelle (responsable : Pierre Bellec)
   
  
  1. R. A. Poldrack, J. A. Mumford and T. E. Nichols. Handbook of functional MRI analysis. www.fmri-data-analysis.org
      
  2. D. Schwartz, M. Toneva, L. Whebe. Inducing brain-relevant bias in natural language processing models. arxiv.org/pdf/1911.03268.pdf
      

• Thème II. Neuroscience computationnelle, modélisation mathématique et dynamique de réseaux (responsable : Guillaume Lajoie)
   
  
  1. CHAPITRES DE LIVRE: Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems, P. Dayan & L.F. Abbott, MIT Press.
      
  • Chapitre 5:  Model Neurons I: Neuroelectronics
  • Chapitre 7: Network models
     
  2. ARTICLE: van Vreeswijk, C., & Sompolinsky, H. (1996). Chaos in Neuronal Networks with Balanced Excitatory and Inhibitory Activity. Science (New York, NY), 274(5293), 1724–1726. doi.org/10.1126/science.274.5293.1724
      

• Thème III. Apprentissage machine, modélisation et traitement des signaux cérébraux en MEG/EEG (responsable : Karim Jerbi)
   
  
  1. Partie 1: Magnetoencephalography: Methods and signal processing - Review Article: Baillet S "Magnetoencephalography for brain electrophysiology and imaging", 2017, Nature Neuroscience
     www.ucalgary.ca/i3t/files/i3t/baillet_2017.pdf
      
  2. Partie 2: Leveraging ANNs for MEG/EEG research:
      
  • MEG:  Zubarev et al. “Adaptive neural network classifier for decoding MEG signals”, 2019, Neuroimage research.aalto.fi/files/34091186/1_s2.0_S1053811919303544_main_1.pdf
  • EEG: Yannick Roy et al. “Deep learning-based electroencephalography analysis: a systematic review”  2019 J. Neural Eng. faubertlab.com/wp-content/uploads/2020/01/Roy_2019_J._Neural_Eng._16_051001.pdf
     

   

• Thème IV.  Continual Learning in Nonstationary Environments (Modèles et algorithmes d'IA inspirés des neurosciences)  (responsable : Irina Rish)
   
  
  1. Parisi, G.I., Kemker, R., Part, J.L., Kanan, C. and Wermter, S., 2019. Continual lifelong learning with neural networks: A review. Neural Networks. 
  2. Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks. Pouya Bashivan, Irina Rish, Mohammed Yeasin, Noel Codella. ICLR 2016 : International Conference on Learning Representations 2016
      

RÉSEAUX DE COMMUNICATION

A. Hafid : IFT 6320

1. William Stallings, "Data and Computer Communications", 7th edition. 
   Tous les chapitres sauf : 10.5, 11, 19.3 et 19.4
    
2. Andrew Tanenbaum, "Computer networks", 3rd edition. 
   Chapitres 1 et 5 seulement.

RECHERCHE OPÉRATIONNELLE

Le candidat a le choix entre 2 examens différents selon que ses champs d'intérêt relèvent de l'optimisation déterministe ou des modèles stochastiques. Chaque examen comporte une partie portant sur le domaine complémentaire (pondération de 20 %). Bien que les matières sujettes à examen soient décrites en détail ci-dessous, les candidats sont encouragés à communiquer avec les responsables des 2 orientations pour toute information supplémentaire.

ORIENTATION OPTIMISATION DÉTERMINISTE
Jean-Yves Potvin

La matière correspond grosso modo à celle du cours IFT6575.

1. Programmation linéaire : Formulation, méthode géométrique, algorithme du simplexe, dualité, problème de flots à coût minimum.
    
2. Programmation non linéaire : Optimisation sans contraintes : fonction à une seule variable, direction de descente, fonction à plusieurs variables; optimisation avec contraintes et conditions d'optimalité; dualité lagrangienne.
    
3. Programmation linéaire en nombres entiers : Formulation, méthode de coupes, méthode d'énumération implicite (branch and bound), relaxation lagrangienne.
    
4. Modèles stochastiques : Rappel de probabilités et de statistiques, chaîne de Markov, processus de décisions markoviens, chaîne de Markov continu, files d'attente.
    
5. Simulation

La matière à couvrir se trouve sur le site web http://www.iro.umontreal.ca/~potvin sous le lien "Matière pour l'examen général de synthèse (prédoc)".

D'autres documents intéressants se trouvent plus bas, dans la liste des références en recherche opérationnelle.

ORIENTATION MODÈLES STOCHASTIQUES
Pierre L'Ecuyer

1. Modèles stochastiques : ([10], tout sauf les sections étoilées).
    
2. Simulation : (chapitres 1 à 6 de [5]).
    
3. Programmation dynamique : (chapitre 21 de [4]).
    
4. Programmation linéaire : Algorithme du simplexe, dualité (chapitre 2 de [7] et les sections correspondantes de [3]).
    
5. Programmation linéaire en nombres entiers : Modélisation, branch-and-bound (chapitres 1 et 7 de [11]).

Références en recherche opérationnelle :

[1] M.S. Bazaraa, H.D. Sherali et C.M. Shetty, « Nonlinear Programming », 2e edition, Wiley, 1993.

[2] M.S. Bazaraa, J.J. Jarvis et H.D. Sherali, « Linear Programming and Network Flows », 3e edition, Wiley, 2005.

[3] V. Chvátal, « Linear Programming », Freeman, 1983.

[4] F.S. Hillier et G.J. Lieberman, « Introduction to Operations Research », 8e edition, 2005, McGraw Hill.

[5] P. L'Ecuyer, « Stochastic Discrete-Event Simulation », support du cours IFT6561, disponible auprès du professeur.

[6] D.G. Luenberger et Y. Ye, « Linear and Nonlinear Programming », 3e edition, Springer, 2008.

[7] P. Marcotte, Support du cours IFT1575.

[8] P. Marcotte, Support du cours IFT3515.

[9] P. Marcotte, Support du cours IFT3655.

[10] H.M. Taylor et S. Karlin, « An Introduction To Stochastic Modelling », 3e edition, Academic Press, 1998.

[11] L.A. Wolsey, « Integer Programming », Wiley, 1998.

[12] S.M. Ross, « Probability Models », 5e edition, Academic Press, 1993.

Autres précisions

1. Les questionnaires de quelques années précédentes se trouvent à la bibliothèque.
2. Un étudiant doit indiquer son sujet de spécialisation lors de son inscription à l'examen.
3. Les examens se déroulent à livre fermé, à moins d'indication contraire.
4. Les examens sont corrigés par leur(s) rédacteur(s). Une note littérale est attribuée à chaque copie. La décision finale du passage ou de l'échec relève du comité du prédoctorat.
5. Aucune suspension de scolarité ne sera accordée à un étudiant qui échoue à son 1er essai.
6. Les copies corrigées pourront être consultées par les candidats selon les modalités habituelles.

Cette partie consiste en une présentation du sujet de recherche. De nature orale, elle devra obligatoirement être accompagnée d’un document écrit décrivant la problématique du sujet de thèse, contenant une bibliographie sérieuse, et exposant les axes de recherche envisagés. 

Présentation du sujet de thèse

Cette partie vise à vérifier que l'étudiant a ciblé son sujet de thèse, qu'il connait bien son domaine de recherche et qu'il dispose déjà d'idées prometteuses qui lui permettront de terminer avec succès son programme d'études dans un délai raisonnable. Le jury n'entrevoit pas la présentation comme un contrat à remplir, mais plutôt comme l'exposé d'avenues de recherche permettant de faire progresser la science informatique.

Cette partie de l'examen est individualisée, c'est-à-dire qu'un jury est constitué pour chaque étudiant. Le jury est composé du ou des directeurs de recherche et de 2 autres professeurs (un président et un membre). L'examen consiste en une présentation orale et un rapport écrit qui doit être remis aux membres du jury au moins une semaine avant la date prévue de la présentation.

Si, à la lecture du document, le jury ne croit pas que le candidat est prêt à effectuer sa présentation, il peut soit retarder la date de la présentation et exiger une nouvelle version du rapport, soit décider que l'étudiant a échoué.

C'est l'étudiant, avec l'accord de son directeur de recherche, qui demande la formation du jury auprès de la direction des études supérieures. C'est le président du jury qui organise la présentation à laquelle sont conviés tous les membres du Département. La tradition veut qu'une telle présentation soit faite dans le cadre des séminaires du laboratoire où travaille l'étudiant, mais ceci n'est pas une obligation.

Le contenu précis du rapport et de la présentation sont déterminés par l'étudiant en collaboration avec son directeur. Toutefois, à titre de suggestion, nous donnons ici quelques points susceptibles d'être présents. 

Rapport

L'étudiant doit, dans un rapport d'environ 30 à 40 pages, présenter son sujet de recherche. Il est important d'y démontrer sa connaissance du domaine au moyen d'une revue bibliographique qui en identifie les points majeurs et qui établit des relations avec le sujet choisi. En somme, le rapport devrait convaincre le jury que le sujet est intéressant et prometteur et que le candidat est capable d'obtenir des résultats tangibles dans des délais raisonnables. Le rapport devrait aussi contenir un échéancier réaliste. 

Présentation

D'une durée d'environ 45 minutes, cette présentation reprend les points importants du rapport en insistant sur l'énoncé précis du sujet de thèse et en établissant les relations qui s'imposent entre les principaux travaux dans le domaine. Par respect pour les auditeurs qui ne sont pas membres du jury, la présentation ne devrait pas supposer une lecture préalable du rapport, qui sert principalement à appuyer les affirmations faites lors de l'exposé oral.

À la fin de la présentation, les membres du jury décident si l'étudiant a réussi ou non cette 2e partie de l'examen prédoctoral et communiquent leur décision à la gestion académique.