Bourses d’initiation à la recherche au 1er cycle – Stages d’été

Objectifs du programme

Les objectifs de ce programme qui vise les étudiant·e·s de premier cycle sont à la fois :

• de leur offrir l’opportunité de s’initier à la recherche universitaire;
• de les encourager à continuer leurs études aux cycles supérieurs;
• de leur permettre de se familiariser avec les méthodes et domaines promus par IVADO.

Admissibilité du/de la candidat·e

• Pour les étudiant·e·s :
  • Être inscrit·e dans un programme de premier cycle à HEC Montréal, à Polytechnique Montréal ou à l’Université de Montréal. L’étudiant·e peut aussi être inscrit·e à l’Université d’Alberta ou à l’Université McGill;
  • Avoir une moyenne minimale de B+ (ou l’équivalent : 3,3/4,3 ou 3/4). La moyenne prise en compte est la moyenne cumulative apparaissant sur le bulletin du semestre précédant la date du concours (Automne 2019);
  • Avoir complété au moins 24 crédits au début du stage.
• Pour le·la professeur·e présentant la demande (superviseur·e) :
  • Être un·e professeur·e de l’une des institutions suivantes : HEC Montréal, Polytechnique Montréal ou l’Université de Montréal;
  • Les professeur·e·s de l’Université de l’Alberta et de l’Université McGill peuvent être superviseur·e·s à condition qu’ils·elles soient également membres de plein droit de l’un des groupes de recherche d’IVADO (Mila, CIRRELT, GERAD, CERC Science des données pour la prise de décision en temps réel, CRM, Tech3Lab);
  • Les statuts admissibles pour les professeur·e·s sont : professeur·e adjoint·e, professeur·e agrégé·e, professeur·e titulaire, professeur·e sous-octroi, professeur·e chercheur·euse, chercheur·e invité·e. Les professeur·e·s associé·e·s ne sont pas admissibles.
  • Ne pas présenter plus de trois demandes de candidature pour ce concours.
• Pour le·la cosuperviseur·e éventuel·e , il n’y aucune contrainte.

Début de la bourse

Date de début du financement : 1er juin 2020

Montant et conditions de versement

La bourse sera transférée au Bureau de la recherche de l’université du·de la superviseur·e, et l’université paiera l’étudiant·e en fonction de ses propres règles. Pour les projets nécessitant une approbation éthique, les fonds ne seront pas débloqués tant que l’approbation ne sera pas obtenue. Certains projets pourraient avoir besoin d’accords spécifiques, par exemple en ce qui concerne la propriété intellectuelle.

Processus du concours

Évaluation et critères

Les propositions seront passées en revue pour vérifier les exigences du programme (demande incomplète, trop longue, superviseur·e ou candidat·e non admissible, etc.) et l’adéquation apparente du projet de recherche soumis avec la science des données. Seules les demandes répondant aux exigences seront transmises au comité d’évaluation.

Le comité d’évaluation s’assurera de l’adéquation entre le projet de stage et les orientations scientifiques d’IVADO, puis procédera au classement des candidat·e·s selon l’excellence de leur dossier, et l’adéquation du projet de stage dans le cadre général d’IVADO, qui est de promouvoir la collaboration multidisciplinaire et la diversité dans la science des données.

En ce qui regarde l’excellence du dossier du·de la candidat·e, le comité s’intéressera plus spécifiquement :

1. au dossier du·de la candidat·e basé sur ses notes et expériences pluridisciplinaires, expérience professionnelle, activités parascolaires ou extra-universitaires, collaborations, services à la communauté scientifique, contribution à la société, etc.
2. à la qualité du stage proposé (qualité du projet de recherche dans lequel l’étudiant·e va s’engager, mais aussi opportunités de formation et d’initiation à la recherche, susceptibilité d’inciter le·la candidat·e à poursuivre aux cycles supérieurs, complexité du projet de stage cohérente avec le profil du·de la candidat·e, etc.)
3. à compétence égale, la préférence sera accordée à un·e étudiant·e compétent·e de l’un ou l’autre des groupes visés.

Finalisation du dossier et engagements de l’étudiant·e

L’étudiant·e s’engage notamment à :

• Être physiquement présent·e à l’université de son·sa superviseur·e;
• Participer à la communauté et aux activités IVADO, incluant par exemple:
  • les présentations sur leur propre recherche;
  • les activités de formation ou de diffusion des connaissances;
  • le soutien lors de différentes activités;
• Reconnaître qu’il·elle fait partie d’une communauté universitaire, à laquelle il·elle contribuera;
• Se soumettre à la politique des trois organisations sur le libre accès aux publications. Il·elle est encouragé·e à publier ses productions de recherche (publications, enregistrement oral des présentations, code source, bases de données, etc.) dans le respect des règles de propriété intellectuelle applicables dans son cas particulier;
• Reconnaître le soutien d’IVADO et d’Apogée / CFREF dans la diffusion des résultats de recherche et plus généralement dans les diverses activités auxquelles l’étudiant·e participera.

Le·la superviseur·e s’engage notamment à :

• Fournir un environnement de travail qui convient à l’achèvement du projet;
• Superviser son étudiant·e.

FAQ

• À quoi correspond une note de B+?
  • HEC Montréal : 3.3/4.3
  • Polytechnique Montréal : 3/4
  • Université de Montréal : 3.3/4.3

• Quelle doit être la durée du stage?
  • Le stage doit durer entre 6 et 12 semaines. Le montant de la bourse est de 5000 $ pour 12 semaines, et au prorata pour les durées plus courtes.
• Je ne suis pas inscrit·e au trimestre d’été, mais je suis toujours étudiant·e au baccalauréat. Puis-je bénéficier d’une bourse IVADO?
  • Oui. Il n’est pas obligatoire d’être inscrit·e au trimestre pendant lequel le stage de recherche est réalisé.

• Est-ce qu’un stage, dans le cadre des bourses IVADO, peut être crédité?
  • Oui, dans la mesure où l’activité créditée respecte l’esprit de la bourse IVADO, particulièrement l’aspect initiation à la recherche.

• Puis-je être inscrit·e à un cours et faire un stage avec IVADO pendant le même trimestre?

• • Oui, dans la mesure où le superviseur de stage l’accepte et qu’une entente sur les horaires de travail existe. Le nombre d’heures de stage par semaine doit cependant correspondre à du temps plein.

• Je suis un·e étudiant·e possédant un visa d’études. Puis-je bénéficier d’une bourse IVADO?
  • Oui, dans la mesure où votre CAQ et votre permis d’études demeurent valides pour toute la durée du stage. Pour plus d’information concernant la nécessité d’être inscrit·e au programme de baccalauréat, veuillez communiquer avec votre établissement.

• Je viens de terminer mon programme à l’automne, puis-je bénéficier d’une bourse IVADO?
  • Selon l’établissement où vous souhaitez faire votre stage, cela peut être accepté. Veuillez communiquer avec la personne ressource de l’établissement concerné.

• La bourse IVADO peut-elle être cumulée avec la bourse d’étudiants du premier cycle du CRSNG (BRPC)?
  • Non.
• Y a-t-il un format particulier pour la préparation du CV?
  • Non, il n’y a pas de format particulier pour le CV. Notez toutefois que chaque pièce du dossier doit aider l’évaluateur·trice à se faire une opinion sur le dossier. Un CV trop long ou confus pourrait rendre plus difficile l’évaluation.
• Est-ce que je peux envoyer mes relevés de notes non officiels?
  • Non, vous devez numériser et téléverser sur la plateforme tous vos relevés de notes officiels incluant tous vos résultats en cours.

D’autres questions? Veuillez les soumettre à programmes-excellence@ivado.ca

L’ensemble du processus de soumission de dossier se passe à travers cette plateforme dédiée: https://ivado.smapply.io/

Les candidatures envoyées par courriel seront refusées.

Le dossier comprendra :

• • un questionnaire à remplir sur la plateforme
  • une description vulgarisée du projet (longueur d’une page maximum) à téléverser
  • le CV de l’étudiant·e, dans un format libre à télécharger
  • les relevés de notes officiels de l’étudiant·e (préciser l’échelle de notation pour les universités non canadiennes) à téléverser

• Samuel Aguilar Lussier (Université de Montréal, Éric Lécuyer)
  • Développement d’approches en apprentissage par machine pour prédire la distribution intracellulaies des acides ribonucléiques (ARNs)
• Maxine Arcand-Lavigne (Université de Montréal, Karim Jerbi)
  • Data-mining sleep brain signals using machine-learning: effect of caffeine (EEG)
• Viviane Aubin (Polytechnique Montréal, Miguel Anjos)
  • Optimisation de ressources hydroélectriques pour l’intégration des énergies renouvelables
• Éliot Bankolé (HEC Montréal, Olivier Bahn)
  • Modèle d’évaluation intégrée « BaHaMa » : développement d’une version multirégionale
• Gabriel Bisson-Grégoire (Polytechnique de Montréal, Samuel Kadoury)
  • Classification de tumeurs du foie à l’aide d’un réseau neuronal convolutif
• Marise Bonenfant-Couture (Polytechnique de Montréal & Université de Montréal, Michel Gagnon et Lyne Da Sylva)
  • Outil d’analyse méthodologique et contextuelle d’articles scientifiques en santé mentale
• Anas Bouziane (Polytechnique Montréal, Yann-Gaël Guéhéneuc)
  • Reclassification des systemes de journalisation : une approche par apprentissage machine
• Olivier Caron-Grenier (Université de Montréal, Numa Dancause)
  • Adaptive cortical neuroprosthesis for neuromuscular control
• Guillaume Caza-Levert (Université de Montréal, Jocelyn Dubuc)
  • Données automatisées d’alimentation pour prédire les maladies des veaux laitiers
• Karl Chemali (Université de Montréal, Carole Fortin)
  • Évaluation des mouvements du tronc chez des adolescents avec et sans scoliose idiopathique
• Léo Choinière (Université de Montréal, Julie Hussin)
  • Studying fine-scale population structure using neural networks
• Florian Coustures (HEC Montreal, Marc Fredette)
  • Optimisation de la calibration de mesures neurophysiologiques
• Mathieu David-Babin (Université de Montréal, Nicolas Vermeys)
  • Recherche de modèle prédictif de décisions en justice
• Éric De Celles (McGill University, Marc Fredette)
  • Évaluation de la perte d’information engendrée par l’inspection visuelle ou automatisée des données EEG
• Thomas Derennes (Université de Montréal, An Tang)
  • Modèle prédictif de réponse de métastases hépatiques de cancers colorectaux à la chimiothérapie avec techniques d’intelligence artificielle
• Andre Diler (Polytechnique Montréal, Samuel Kadoury)
  • Learning normalized inputs for iterative estimation on medical image segmentation
• Paloma Fernandez-Mc Auley (Université de Montréal, Christine Tappolet)
  • Éthique et science cognitive de l’attention manipulée par l’IA
• Jorge Luis Flores (Université de Montréal, François Major)
  • Discoverning the RNA structural determinants of the RNA-binding proteins
• François Gauthier (Université de Montréal, Marc Lavoie)
  • Topographie cérébrale du rythme thêta dans la régulation émotionnelle: Étude pilote chez une population atteinte de schizophrénie
• Roxanne Giorgi (HEC Montréal, Marc Fredette)
  • Modélisation de la périodicité d’un signal brut provenant de données EEG
• Éric Girard (Université de Montréal, Daniel Sinnett)
  • Application de méthodes d’apprentissage machine pour l’amélioration des traitements contre les cancers pédiatriques
• Simon Guichandut (Université de Montréal, Marina Martinez)
  • Cortical control of motor recovery: a dynamical systems perspective
• Aurélie Guilbault (Université de Montréal, Pascale Legault)
  • Interactions ARN-protéines dans la maturation des microARN
• Simonne Harvey-Lavoie (Université de Montréal, Annie-Claude Labbé)
  • Lymphogranulomatose vénérienne : facteurs de risque et présentation clinique
• Yikun Jiang (McGill University, Nathan Yang)
  • Machine Learning to Nudge Health Behaviours
• Philippe Kavalec (Polytechnique Montréal, Brunilde Sansò)
  • Mobilité et performance des communications des villes intelligentes
• Florence Landry Hould (Université de Montréal, Philippe Jouvet)
  • Validation de l’automatisation du score automatisé de défaillance multiviscérale Pediatric Logistic Organ Dysfunction-2 (aPELOD-2)
• Jean Laprés-Chartrand (Université de Montréal, Fabian Bastin)
  • Extensions de l’algorithme du gradient stochastique pour l’estimation de modèles mixed logit
• Francis Leblanc (Université de Montréal, Guillaume Lettre)
  • Accessing chromatin interactions by high-resolution analyses of correlated regulatory element variation
• Anthony Lemieux (Université de Montréal, Anthony McGraw)
  • Approches computationnelles pour investiguer les dérèglements épigénétiques héritables
• Léa Lingaya (Université de Montréal, Louis Doray)
  • The occurrence of cyber risk incidents
• Elizabeth Maurice-Elder (Université de Montréal, Serge McGraw)
  • Rétablissement de dérèglements épigénétiques héritables dans les Cellules Embryonnaires par Édition de l’Épigénome
• Juliette Milner (Université de Montréal, Marina Martinez)
  • Optimisation multivariée d’une neuroprothèse corticale pour le contrôle moteur
• Man Qing Liang (Université de Montréal, Aude Motulsky)
  • Développement d’un outil d’analyse syntaxique pour structurer des données liées aux prescriptions électroniques
• Adam Sigal (Université de Montréal, Liam Paull)
  • Duckietown AI Driving Olympics
• Justin Pelletier (Université de Montréal, Julie Hussin)
  • Caractérisation de la famille des pharmacogènes CYP4F
• Charles Piette (Polytechnique Montréal, Brunilde Sansò)
  • Projet en IoT et Villes
• Marc Revol (Université de Montréal, Emma Frejinger)
  • Optimisation de l’utilisation de la flotte de locomotives du CN
• Alex Richard-St-Hilaire (Université de Montréal, Julie Hussin)
  • Détection de mutation de novo dans les gènes du Cytochrome p450

• Imene Abid (HEC Montréal, Pierre-Majorique Léger)
  • Générateur de données synthétiques pour améliorer l’apprentissage en science des données
• Zyad Benameur (Polytechnique Montréal, Chahé Nerguizian)
  • Méthodes d’apprentissage automatique dans l’aide à l’élaboration de plans d’interventions en éducation
• Anas Bouziane (Polytechnique Montréal, Bram Adams)
  • Reverse-engineering of and migration towards scalable NoSQL data architecture
• Simon Chamorro (Polytechnique Montréal, Christopher Pal)
  • Navigational Assistant for the Visually Impaired (NAVI)
• Omar Chikhar (HEC Montréal, Marc Fredette)
  • Automation of signal processing methods for feature construction on physiological signals
• Léo Choinière (Institut de cardiologie de Montréal (ICM), Julie Hussin)
  • Traitement de Données Génomiques par Différentes Architectures de Réseaux de Neurones
• Valérie Daigneault (Université de Montréal, Frédéric Gosselin)
  • Intégration et traitement temporel de la vision dans le cerveau lors de la reconnaissance d’attributs faciaux : modélisation de données MEG et comportementales en apprentissage machine
• Etienne Denis (McGill University, William Hamilton)
  • Multi-Relational Link Prediction Using Graph Neural Networks (SEARL)
• David Teddy Diffo Nguemetsing (Université de Montréal, Numa Dancause)
  • Learning algorithms for functional cortical neurostimulation
• Sandra Ferland (Université de Montréal, Cisek Paul)
  • Les mécanismes neuronaux de la prise de décision
• Aude Forcione-Lambert (Université de Montréal, Guy Wolf)
  • Probing learned network structure in a multi-task setting
• Dominique Fournelle (Université de Montréal, Julie Hussin)
  • Annotation des chromosomes sexuels de l’ornithorynque par apprentissage automatique
• Martine Francoeur (HEC Montréal, Olivier Bahn)
  • Projet de stage sur la modélisation du secteur énergétique du Mexique
• Enora Georgeault (HEC Montréal, Marie-Ève Rancourt)
  • Modèles prédictifs de l’allocation des dons de la Croix-Rouge canadienne en réponse aux feux de forêt
• William Glazer-Cavanagh (Polytechnique Montréal, Bram Adams)
  • Automatic integration and deployment of AI models
• Alexandre Gravel (Université de Montréal, Bernard Gendron)
  • Méthodes lagrangiennes pour la résolution de problèmes de conception de réseaux
• Rose Guay Hottin (Université de Montréal, Marina Martinez)
  • Un agent d’apprentissage pour une neuroprothèse cortico-spinale Marina
• Alice-Marie Hamelin (Polytechnique Montréal, Michel Gamache)
  • Outil de planification en temps réel pour les mines souterraines
• Jérémie Huppé (Polytechnique Montréal, Maleknaz Nayebi)
  • Automated communication analysis for Software-aided emergency management
• Arnaud L’Heureux (Université de Montréal, Alain Tapp)
  • Utilisation de réseau profond pour la simplification automatique de textes
• Julien Leissner-Martin (Université de Montréal, Jean-François Arguin)
  • Using Deep Learning to Identify Electrons at the Large Hadron Collider (LHC)
• Anthony Lemieux (Centre hospitalier universitaire Mère-Enfant (CHU Sainte-Justine), Serge McGraw)
  • Investigation de dérégulations épigénétiques héritables par approches computationnelles
• Rui Ze Ma (Université de Montréal, Franz Bernd Lang)
  • Investigation of systematic errors in genome assembly algorithms
• Mohammed Mahmoud (Polytechnique Montréal, Mohamed Ouali)
  • Prediction of Fiber Quantity and Quality in Forest Supply Chains Using Artificial intelligence Methods
• Filip Milisav (Université de Montréal, Karim Jerbi)
  • Studying social influence using a neuroimaging and data science approach
• Alexandre Morinvil (Polytechnique Montréal, Giovanni Beltrame)
  • IA sécuritaire dans les essaims de drones : Développer une approche permettant aux petits essaims de drones de suivre les humains en toute sécurité
• Derek Ojeda Centeno (Polytechnique Montréal, Brunilde Sansò)
  • Simulation multiniveaux pour les applications des villes intelligentes
• Pierrick Pascal (Polytechnique Montréal, Sébastien Le Digabel)
  • Création d’une interface Julia pour NOMAD pour l’ajustement automatique des hyper-paramètres d’algorithmes d’optimisation
• Justin Pelletier (Institut de cardiologie de Montréal (ICM), Julie Hussin)
  • Évaluation de scores de risque polygénique selon le sexe et la structure populationnelle
• Pierre-Elie Personnaz (Polytechnique Montréal, Dominique Orban)
  • Traitement de la dégénérescence par régularisation en optimisation continue
• Marie-Eve Picard (Université de Montréal, Pierre Jolicoeur)
  • Analyses multivariées des interactions entre différents processus attentionnels (EEG): une approche orientée sur les données
• Myriam Prasow-Émond (Université de Montréal, Julie Hlavacek-Larrondo)
  • Étude de l’amas de galaxies supermassif MACSJ1447.7+0827
• Zakaria Rayadh (HEC Montréal, Jean-Francois Cordeau)
  • Évaluation empirique de méthodes de prévision de la demande
• Khadija Rekik (Polytechnique Montréal, Brunilde Sansò)
  • Visualisation et Analyse de données des réseaux des villes intelligentes
• Daniel Tomasso (Centre hospitalier de l’Université de Montréal (CHUM), Dang Khoa Nguyen)
  • Epileptic seizure detection by combining smart wear monitoring and artificial intelligence techniques
• Fama Tounkara (Université de Montréal, Franco Lepore)
  • Validation d’une batterie de tests visuels comme aide au diagnostic de troubles neurologiques
• Étienne Tremblay (Polytechnique Montréal, Réjean Plamondon)
  • Application heuristique des sciences des données à la théorie cinématique des mouvements humains
• Anton Volniansky (Institut de cardiologie de Montréal (ICM), Jean-François Tanguay)
  • Banque de données des issues cliniques à court et long termes des Échafaudages Vasculaires Biorésorbables comparativement aux Stents pharmacoactifs de 2e génération
• Abdelkader Zobiri (Polytechnique Montréal, Brunilde Sansò)
  • Performances des micro-PMUs dans les Villes Intelligentes

2e édition

• Adrien Adam (Polytechnique Montréal, Benjamin De Leener)
  • Développement d’une méthode de super-résolution pour l’imagerie quantitative de susceptibilité néonatale
• Fanny Beltran (Polytechnique Montréal, Benjamin De Leener)
  • Développement d’une méthode basée sur l’apprentissage automatique pour la reconstruction d’images IRM “sparse” du cerveau chez le nouveau-né
• Valérie Bibeau (Polytechnique Montréal, Bruno Blais)
  • Conception d’un réseau de neurones pour prédire la puissance des agitateurs à partir de données massives issues de simulations
• Ludovic Bilodeau-Laflamme (Polytechnique Montréal, Sansò Brunilde)
  • Modèles statistiques de la distribution des délais d’accès dans un réseau mobile
• Genevieve Bock (Polytechnique Montréal, Sofiane Achiche)
  • Conception et réalisation d’un agent conversationnel intelligent (chatbot) pour aider les personnes vivant avec le VIH à mieux gérer leurs traitements anti-VIH
• Rodrigo Chavez Zavaleta (Polytechnique Montréal, Sarath Chandar Anbil Parthipan)
  • Understanding the Dynamics of Non-saturating Recurrent Units
• Feng Yang Chen (Polytechnique Montréal, David Alexandre Saussié)
  • Learning based visual waypoint detection for agile drone flight
• Cheng Chen (McGill University, Aditya Mahajan)
  • Regret in learning the optimal linear quadratic regulator: empirical comparison of Thompson sampling and adaptive control algorithms
• Ghassen Cherni (Polytechnique Montréal, Sofiane Achiche)
  • Développement d’un chatbot pour mieux engager les patients dans leur gestion des barrières à une bonne observance aux antirétroviraux
• Félix-Antoine Constantin (Polytechnique Montréal, Samuel-Jean Bassetto)
  • L’agenda santé satisfaisant
• Vivienne Crowe (Université de Montréal, Julie Hussin)
  • Investigation of SARS-CoV-2 infection using a quantitative approach
• Andjela Dimitrijevic (Polytechnique Montréal, Benjamin De Leener)
  • Algorithme validant la segmentation du cerveau chez les enfants (2-8 ans) à partir d’images IRM en utilisant des réseaux adverses génératifs (GAN)
• Parfait Djimefo (Polytechnique Montréal, Samuel Pierre)
  • Modèle de reconnaissance faciale pour les personnes de minorités visibles et les groupes de populations
• Roxanne Drainville (Université de Montréal, Marina Martinez)
  • Combiner les effets de la stimulation corticale et spinale pour améliorer la marche après une lésion médullaire
• Marilou Farmer (Polytechnique Montréal, Jalbert Jonathan)
  • Programmation et diffusion des courbes Intensité-Durée-Fréquence des précipitations
• Sam Finestone (Polytechnique Montréal, Sarath Chandar Anbil Parthipan)
  • Modular Neural Networks for Lifelong Learning
• Victor Gaudreau-Blouin (Polytechnique Montréal, François Leduc-Primeau)
  • Simulateur de réseaux de neurones profonds implémentés sur matériel non fiable
• Sarah Hafez (HEC Montréal, Christian Dorion)
  • Deep Learning Methods for Factor Investing
• Tamara Herrera Fortin (Université de Montréal, Dang Khoa Nguyen)
  • Identifying Patients’ and Caregivers’ Needs and Preferences: the Key to Developing Successful Seizure Detectors
• Alexander Iannantuono (McGill University, Adam Oberman)
  • Accelerated algorithm for SGD, applied to deep neural networks and reinforcement learning.
• Guillaume Jones (Polytechnique Montréal, Mario Jolicoeur)
  • Génération d’un modèle à l’échelle du génome des cellules cancéreuses ovariennes
• Hugues Martin (Polytechnique Montréal, Mario Jolicoeur)
  • Caractérisation de la chimiorésistance par apprentissage machine du transcriptome des cellules cancéreuses ovariennes
• Gabriela Moisescu (McGill University, Doina Precup)
  • Temporal Abstraction in Reinforcement Learning
• Sacha Morin (Université de Montréal, Guy Wolf)
  • PHATE-NET
• Stéfan Nguyen (Université de Montréal, Philippe Dixon)
  • Biomechanical analysis of walking in outdoor environements using wearable sensors
• Mathilde Ricard (Polytechnique Montréal, Sébastien Le Digabel)
  • CHPO: Constrained Hyperparameter Optimization / Optimisation sous contraintes des hyper-paramètres
• Patrice Rollin (HEC Montréal, Iwan Meier)
  • Conception d’une base de données financières pour l’analyse des fonds communs de placement
• Myriam Sahraoui (Université de Montréal, Karim Jerbi)
  • Analyse de données cérébrales MEG combinant analyses spectrales et apprentissage machine
• Monssaf Toukal (Polytechnique Montréal, Dominique Orban)
  • Online Automatic Optimization of Software for Big Data
• Alina Weinberger (Université de Montréal, Karim Jerbi)
  • Oscillatory brain dynamics under light and deep anesthesia: Predicting states of consciousness using machine learning techniques
• Paul Xing (Polytechnique Montréal, Jean Provost)
  • Correction d’aberration en microscopie de localisation ultrasonore par apprentissage profond

1ère édition

• Samuel Arseneault (HEC Montréal, Chantal Labbé)
  • Générateur de données pour favoriser l’apprentissage en science des données
• Kristina Atanasova (Université de Montréal, Alexandre Prat)
  • Identification des interactions cellulaires de la barrière hémato-encéphalique par apprentissage automatique
• Laurence Beauregard (Université de Montréal, Dang Khoa Nguyen)
  • Détection de crises épileptiques en combinant les techniques d’intelligence artificielle et les signaux physiologiques non-invasifs multimodaux
• Céline Boegler (Polytechnique Montréal, Dominique Orban)
  • La méthode des résidus conjugués pour l’optimisation sans contraintes
• Karl-Étienne Bolduc (Université de Montréal, Normand Mousseau)
  • Développement de potentiels atomiques par apprentissage machine
• Ariane Brucher (Université de Montréal, Phaedra Royle)
  • Analyses statistiques de potentiels évoqués basées sur des modèles mixtes linéaires
• Sol’Abraham Castaneda Ouellet (Université de Montréal, Didier Jutras-Aswad)
  • Les effets du cannabidiol sur la cognition chez les personnes atteintes d’une dépendance à la cocaïne
• Simon Chasles (Université de Montréal, François Major)
  • Caractérisation de motifs structurels surreprésentés dans l’ARN.
• David Chemaly (Université de Montréal, Julie Hlavacek-Larrondo)
  • State-of-the-art radio images of the Coma Cluster of Galaxies
• Omar Chikhar (Université de Montréal, Julie Hlavacek-Larrondo)
  • A novel machine learning approach to identifying cool core clusters
• Léo Choinière (Université de Montréal, Numa Dancause)
  • Hierarchical Bayesian Optimization for Stimulation Protocols in Cortical Neuroprostheses
• Hugo Cordeau (Université de Montréal, Vasia Panousi)
  • Utilisation des donnée satellitaires ainsi que de donnés de recensements afin connaitre les éléments d’étalement urbain
• Olivier Denis (Université de Montréal, Jean-François Arguin)
  • Apprentissage machine pour l’analyse des données du LHC
• Cauderic Deroy (Université de Montréal, Sébastien Hétu)
  • Identification des signatures physiologiques de la violation des normes sociales
• Samuel Desmarais (Polytechnique Montréal, Jean Provost)
  • Conception d’un algorithme de reconstruction d’images ultrasonores utilisant l’apprentissage profond afin de réduire le nombre de canaux nécessaire à l’obtention d’une image à contraste équivalent
• Guillaume Dupuis (Polytechnique Montréal, Brunilde Sanso)
  • projet sur le 5G et les villes intelligentes
• Charlie Gauthier (Université de Montréal, Liam Paull)
  • ENABLING ON-THE-FLY MACHINE LEARNING IN DUCKIETOWN
• Victor Geadah (Université de Montréal, Guillaume Lajoie)
  • Impact of nonlinear activation functions on learning dynamics of recurrent networks
• Rose-Marie Gervais (Université de Montréal, Frédéric Gosselin)
  • Générer des métamères visuels utilisant la MEG et l’apprentissage profond pour évaluer l’encodage des propriétés visuelles spécifiques en mémoire à long terme
• Élodie Labrecque Langlais (Polytechnique Montréal, Jean Provost)
  • Imagerie de pulsatilité de localisation dynamique par ultrasons utilisant l’intelligence artificielle
• Simon-Olivier Laperrière (Université de Montréal, Pierre L’Écuyer)
  • Outils pour mesurer l’équidistribution de générateurs pseudoalétoires basés sur des récurrences modulo 2
• Geoffroy Leconte (Polytechnique Montréal, Dominique Orban)
  • Une méthode prédicteur-correcteur multi-précision pour l’optimisation quadratique convexe
• Florence Ménard (Université de Montréal, Anne Gallagher)
  • Optimization of data analysis strategies for the ELAN Project: a multimodal approach
• Marco Mendoza (Université de Montréal, Vincent Arel-Bundock)
  • Developing a machine-learning algorithm to predict citizens’ fiscal preferences
• Neshma Metri (HEC Montréal, Pierre Majorique Léger)
  • Source-level EEG connectivity correlates of immersion during high-fidelity vibrokinetically-enhanced cinema viewing
• Andrei Mircea Romascanu (McGill University, Jackie Cheung)
  • Reinforcement Learning Rewards for Text Generation
• Olivier Parent (Université de Montréal, Roberto Araya)
  • COMPUTATION MODEL OF DENDRITIC NONLINEARITIES IN LAYER 5 PYRAMIDAL NEURONS
• Maria Sadikov (Université de Montréal, Michel Côté)
  • Utilisation de transfert d’apprentissage pour la caractérisation du graphène
• Christopher Scarvelis (McGill University, Prakash Panangaden)
  • Convex Relaxations for Neural Network Training
• Joey St-Arnault (Université de Montréal, Marina Martinez)
  • Analyse multivariée de la cinématique pour créer un lien entre les mouvements comportementaux observées et ceux générés par neurostimulation corticale
• Danny Tran (Polytechnique Montréal, Brunilde Sanso)
  • Projet 5G et villes intelligentes
• Anton Volniansky (Université de Montréal, Jean-François Tanguay)
  • Banque de données des issues cliniques à court et long termes des Échafaudages Vasculaires Biorésorbables comparativement aux Stents pharmacoactifs de 2e génération
• Charles Wilson (Université de Montréal, Paul Charbonneau)
  • Prédiction du cycle solaire par assimilation de données
• Xin Yuan Zhang (Polytechnique Montréal, Brunilde Sanso)
  • 5G, IoT and Smart cities project