Mes intérêts de recherche portent sur la modélisation mathématique du comportement de choix en utilisant les méthodes économétriques. Je me focalise sur des applications en transport où de tels modèles de demande jouent un rôle important dans des contextes, comme par exemple, la prédiction du trafic dans un réseau routier, du nombre de passagers dans le transport public ou de la composition d'une flotte de véhicules. Mes travaux portent en particulier sur la modélisation probabiliste de choix d'itinéraire en utilisant des modèles de choix discret statiques et dynamiques.

Mes contributions principales incluent le développement de nouveaux modèles qui permettent l'utilisation de données réelles (par exemple des données GPS) pour l'estimation de leurs paramètres tout en étant applicable à des réseaux de grande taille. Je m'intéresse également à la modélisation de la demande pour les voitures et à la prédiction de la composition des flottes de véhicules. Dans ce but je développe des modèles de choix discret dynamiques adaptés aux problèmes de grande taille.

Je suis également titulaire de la Chaire CN en intermodalité des transports.

Ma recherche se situe à l’intersection de l’apprentissage par renforcement et de la prédiction probabiliste. Je m’intéresse aussi à l’apprentissage profond, à la modélisation générative, à l’apprentissage en ligne et à la théorie de l’information.

Le traitement automatique des langues naturelles (TALN) est le domaine scientifique dédié au développement de méthodes automatiques permettant de manipuler des énoncés en langage humain ("naturels") dans le double but de construire des applications concrètes et de mieux modéliser ces énoncés.

Mes travaux en TALN couvrent une large gamme de niveaux de traitements, depuis l'analyse morphologique, jusqu'aux niveaux syntaxiques et sémantiques, et portent sur des applications variées comme les outils d'aide à la traduction (incluant la traduction automatique),  ou l'extraction d'information. Le dénominateur commun de mes activités est le recours à des techniques, notamment statistiques, qui permettent d'extraire de connaissances linguistiques à partir de corpus et/ou de lexiques. Leur visée principale est le développement de méthodes permettant de combiner efficacement des connaissances linguistiques et des informations extraites de corpus annotés ou de lexiques.

Champs d'expertise

• Traitement automatique des langues naturelles
• Traduction automatique
• Apprentissage statistique et analogique
• Alignement de séquences
• Outils d'aide à la traduction

Pour tenter de comprendre pourquoi certains modèles d’apprentissage profond fonctionnent étonnamment bien avec des données qui leur sont inconnues, Ioannis Mitliagkas s’intéresse en particulier à l’apport des statistiques et de la théorie de l’information.