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
2023 Multi-task learning for joint diagnosis of CNVs and psychiatric conditions from rs-fMRI
2023 AI-based modeling of brain and behavior : combining neuroimaging, imitation learning and video games
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
1990 Modèle de distribution d'énergie électrique avec structure de réseau
1991 Outil graphique d'aide à la décision pour la résolution du problème de la distribution de l'énergie électrique
2010 Understanding deep architectures and the effect of unsupervised pre-training
2022 Latent data augmentation and modular structure for improved generalization
2007 Modèles Pareto hybrides pour distributions asymétriques et à queues lourdes
2019 Improved training of energy-based models
2011 Incorporating complex cells into neural networks for pattern classification
2014 On Recurrent and Deep Neural Networks
2009 Training deep convolutional architectures for vision
2009 Sequential Machine learning Approaches for Portfolio Management
2022 From specialists to generalists : inductive biases of deep learning for higher level cognition
2009 Échantillonnage dynamique de champs markoviens
2003 Accélérer l'entraînement d'un modèle non-paramétrique de densité non normalisée par échantillonnage aléatoire
2020 On sample efficiency and systematic generalization of grounded language understanding with deep learning
2015 Advances in scaling deep learning algorithms
2008 Étude de techniques d'apprentissage non-supervisé pour l'amélioration de l'entraînement supervisé de modèles connexionnistes
2020 A deep learning theory for neural networks grounded in physics