Mon but à long terme est de comprendre l'intelligence; comprendre ses principes sous-jacents nous donnerait accès à l'intelligence artificielle (IA), et je crois que les algorithmes d'apprentissage sont essentiels dans cette quête. Les algorithmes d'apprentissage pourraient donner aux ordinateurs la capacité de capter des connaissances opérationnelles (pas nécessairement sous forme symbolique/verbale) à partir d'exemples. Une machine ayant appris de telles connaissances pourrait ainsi faire des prédictions ou des classifications correctes sur de nouveaux cas, généraliser à de nouvelles situations. La recherche dans ce domaine a été couronnée de nombreux succès au cours des trois dernières décades, et elle est maintenant appliquée dans de nombreux domaines de la science et de la technologie.

Parmi les applications les plus connues on inclut les engins de recherche, le traitement du langage naturel, la traduction automatique, la reconnaissance de la parole, la vision par ordinateur, et la fouille de données. Mes recherches à long terme portent sur l'apprentissage de représentations, afin de dépasser des limites théoriques et pratiques des algorithmes (linéaires ou à noyau) qui ont dominé l'apprentissage machine jusqu'à récemment. Pour contourner ces limitations, une nouvelle approche appelée apprentissage profond a été développée ici et dans quelques laboratoires depuis 2006 et a connu des succès fracassants au cours des dernières années.

Margarida Carvalho est spécialiste de la théorie des jeux. Son programme s’appuie sur des approches tirées de la recherche opérationnelle et de l’apprentissage automatique, deux piliers de la science des données.

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.

Son objectif de recherche principal est de mettre au point et d’analyser des techniques d’apprentissage automatique qui peuvent exploiter, à large échelle, la riche structure de données dans des applications interdisciplinaires, comme le traitement du langage naturel, l’extraction d’information, la vision artificielle et la biologie computationnelle. À cette fin, il associe des outils d’optimisation, de statistiques et d’informatique, et il aime particulièrement travailler à l’interface entre les domaines. Lacoste-Julien est reconnu pour ses contributions dans trois domaines : prédiction structurée (problèmes de classification où les extrants sont des objets structurés, comme des séquences ou des graphiques); optimisation à large échelle (méthode des gradients incrémentaux et optimisation de Frank-Wolfe); et association de méthodes génératives et discriminatoires.

Les intérêts de recherche de Bang Liu sont dans le domaine du traitement du langage naturel, de l'exploration de données, de l'apprentissage en profondeur, de la complétion de matrice de rang faible et de l'analyse des données spatiales

Spécialisée en apprentissage profond et neuroscience, analyse de données neurales et l’informatique bio-inspirée, elle concentre ses recherches actuelles sur l’apprentissage continu et l’optimisation dans les réseaux neuronaux profonds, la modélisation épars et l’inférence probabiliste, les systèmes dynamiques et la théorie de l’information.

Dhanya Sridhar poursuivra ses travaux dans les domaines de l’apprentissage automatique, de la causalité et des sciences sociales informatiques. Parmi ses travaux récents, elle a étudié les effets des textos entre amis sur la participation électorale aux États-Unis.