Passer au contenu

/ Département d'informatique et de recherche opérationnelle

Je donne

Rechercher

Thèses et mémoires

Des thèses et mémoires de nos étudiants sont conservés et consultables dans Papyrus, le dépôt institutionnel de l'Université de Montréal.

 

 

Pour une recherche détaillée
Visiter Papyrus
Date Trier par date en ordre croissant Titre Trier par titre en ordre croissant
2024 Modélisation de l'activité cérébrale mesurée par imagerie par résonance magnétique fonctionnelle dans une tâche de jeu vidéo par des modèles d'apprentissage profond
2024 Scalable and robust fog-computing design & dimensioning in dynamic, trustless smart cities
2024 Performative prediction : expanding theoretical horizons
2024 On PI controllers for updating lagrange multipliers in constrained optimization
2024 Evaluating approaches to solving proportional sentence analogies
2024 Microservices identification in existing applications using meta-heuristics optimization and machine learning
2024 Dynamic capacities and priorities in stable matching
2024 Advancing adversarial robustness with feature desensitization and synthesized data
2024 Parameter, experience, and compute efficient deep reinforcement learning
2024 Learning representations for reasoning : generalizing across diverse structures
2024 An exploration of approximation chains
2024 Sur la génération d'exemples pour réduire le coût d'annotation
2024 Metaheuristics for vehicle routing problems : new methods and performance analysis
2024 Beyond the horizon : improved long-range sequence modeling, from dynamical systems to language
2024 Distributed fog load balancing to support IoT applications : a reinforcement learning approach
2024 Rule-based data augmentation for document-level medical concept extraction
2024 Generative flow networks : theory and applications to structure learning
2024 A LiDAR and Camera Based Convolutional Neural Network for the Real-Time Identification of Walking Terrain
2024 Geometric-aware models for protein design
2023 Finer grained evaluation methods for better understanding of deep neural network representations