GDAC
Laboratoire de recherche en Gestion, Diffusion et Acquisition des Connaissances
201, av. Président-Kennedy | PK4285, PK5275 | Montréal, Québec, Canada

Événements scientifiques organisés par le GDAC


Agenda des conférences où publier...

  • The 18th International Conference on Artificial Intelligence in Education (AIED 2017) - Page web.
  • The 10th International Conference on Educational Data Mining (EDM 2017) - Page web.
  • The 25th Conference on User Modeling, Adaptation and Personalization (UMAP 2017) - Page web.
  • The 26th International Joint Conference on Artificial Intelligence (IJCAI 2017) - Page web.
  • The 26th International World Wide Web Conference (WWW 2017) - Page web.
  • The Thirty-First AAAI Conference on Artificial Intelligence (AAAI 2017) - Page web.

Évènements futurs

  • ITS2018 (The 14th International Conference on Intelligent Tutoring Systems)

Évènements organisés

  • WWW2016 (The 25th International World Wide Web Conference) - Page web .
  • UMAP2012 (The 20th conference on User Modeling, Adaptation, and Personalization) - Page web .
  • EDM2008 (The 1st International Conference on Educationa Data Mining) - Page web .
  • ITS2008 (The 9th International Conference on Intelligent Tutoring Systems) - Page web .

**** Séminaires et conférences ****

Séminaire 4

  • Date: Mardi 09 mai 2017 (12:00 - 13:30 au PK-4285) . Choisissez votre pizza >>>ici<<<
  • Conférencière invitée: Mme Camille JEUNET .
    • Titre: Comprendre et améliorer l'apprentissage des Interfaces Cerveau-Ordinateur (ICO) afin de rendre ces technologies fiables et accessibles

    • Résumé: Les Interfaces Cerveau-Ordinateur basées sur l’Imagerie Mentale (IM-ICO) permettent aux utilisateurs d’interagir avec l’environnement uniquement via leur activité cérébrale, grâce à la réalisation de tâches d’imagerie mentale. Les IM-ICO sont extrêmement prometteuses dans de nombreux domaines allant de la rééducation post-AVC aux jeux-vidéo. Malheureusement, leur développement est freiné par le fait que 15 à 30% des utilisateurs seraient incapables de les contrôler. Nombre de travaux se sont focalisés sur l’amélioration des algorithmes de traitement du signal. Par contre, l’impact de l’entraînement des utilisateurs sur leur performance est souvent négligé. Contrôler une IM-ICO nécessite l’acquisition de compétences et donc un entraînement approprié. Notre principal objectif est de comprendre et améliorer l’apprentissage des IM-ICO. Ainsi, nous cherchons à acquérir une meilleure compréhension des processus sous-tendant cet apprentissage et à proposer une amélioration des protocoles d’entraînement afin qu’ils prennent en compte les facteurs cognitifs et psychologiques pertinents et qu’ils respectent les principes issus de l’ingénierie pédagogique. Lors de ce séminaire, les avancées sur la compréhension des mécanismes d'apprentissage impliqués dans les ICO seront présentées. Puis, nous détaillerons comment, grâce à des approches innovantes mêlant l'utilisation de soutien émotionnel, de retour perceptif tactile ou encore de la réalité virtuelle, nous pouvons améliorer les protocoles d'entraînement. Enfin, nous ouvrirons sur une solution innovante qui permettrait d’étudier l’apprentissage de manière mutli-factorielle et dynamique : un système tutoriel intelligent.

    • Biographie: Camille Jeunet a obtenu un master et un doctorat en sciences cognitives. Elle est actuellement en post-doctorat, en collaboration entre Inria Rennes (France) et l'Ecole Polytechnique Fédérale de Lausanne - EPFL- (Suisse). Elle travaille principalement sur l'apprentissage humain avec une approche centrée-utilisateur mêlant psychologie, neurosciences, informatique et interaction homme-machine. Notamment, l'objectif de ses recherches est de comprendre les processus d'apprentissage impliqués dans l'utilisation d'Interfaces Cerveau-Ordinateur et les procédures de neurofeedback (basés sur l'ElectroEncéphaloGraphie - EE), afin d'en améliorer l'entraînement. Elle propose des entraînements innovants, basés sur la modalité tactile, le soutien émotionnel ou encore la réalité virtuelle. Au court des 3 dernières années, elle a publié une vingtaine d'articles avec comité de lecture, donc 4 dans des revues internationales (avec facteur d'impact >3). https://camillejeunet.wordpress.com

Séminaire 3 (Orfanisé par le doctorat en informatique cognitive de l'UQAM )

  • Date: Jeudi le 30 mars 2017 (10h30 au Local PK-1140 ) .
  • Conférencier invité: Mr Yoshua BENGIO .
    • Titre: Apprentissage profond et cognition

    • Résumé: L'apprentissage profond a apporté une révolution en intelligence artificielle qui a ses racines dans l'observation du cerveau, autant au niveau des neurosciences que des sciences cognitives. Le concept de base est celui de l'apprentissage de représentations (d'où le nom de la International Conference on Learning Representations). Ces représentations sont distribuées et cherchent à capter les facteurs explicatifs des données (entrées autant que variables à prédire). Un premier jalon important a été obtenu avec les modèles neuronaux de la langue qui produisent des vecteurs de représentation pour les mots, captant autant les aspects sémantiques que grammaticaux. Plus récemment, un bouleversement semblable a eu lieu dans le domaine de la traduction automatique grâce à ces idées, combinées avec le concept d'attention douce. Les questions fondamentales sur l'apprentissage non-supervisé de représentations qui démêleraient ces facteurs explicatifs, à plusieurs échelles temporelles ou spatiales, restent entières. Au-delà des pures données textuelles, plusieurs chercheurs explorent des cadres d'apprentissage où l'apprenant agit dans son environnement, permettant d'ancrer le sens des mots et peut-être d'utiliser les concepts abstraits comme des outils pour capter les relations causales et permettre de planifier les actions d'un agent apprenant, ce qui touche à des concepts de base de la cognition, comme les notions d'objet, de type et d'agent.

    • Biographie: Yoshua Bengio est professeur titulaire au Département d'informatique et de recherche opérationnelle de l'Université de Montréal. depuis, 1993. Il est spécialiste en intelligence artificielle, et pionnier du deep learning. Depuis 1993, il Il est le fondateur et directeur de l'Institut des algorithmes d'apprentissage de Montréal (MILA) et titulaire de deux chaires de recherche1 dont la Chaire de recherche du Canada en algorithmes d'apprentissage statistique de l'Université de Montréal dont il est le directeur depuis 2005. Yoshua Bengio a fait ses études à Montréal, a obtenu son doctorat en informatique de l'Université McGill en 1991 et a effectué des études postdoctorales au MIT. Il est l’éditeur du Journal of Machine Learning Research et de Foundations and Trends in Machine Learning de même qu'éditeur associé de Neural Computation. Il a également été éditeur associé des revues The Machine Learning Journal et de IEEE Transactions on Neural Networks and Learning Systems.

Séminaire 2

  • Date: Mercredi 15 février 2017 (12:00 - 13:30 au PK-4285) . Choisissez votre pizza >>>ici<<<
  • Conférencière invitée: Mme Schahrazed FENNOUH .
    • Titre: Une méthode de filtrage des treillis de concepts pour la restructuration d’ontologies par l’Analyse Relationnelle de Concepts

    • Résumé: Un modèle ontologique, comme la plupart des projets d’ingénierie des systèmes d’information (modèles conceptuels et code source), est sujet à des erreurs et des anomalies. Des travaux ont tenté de détecter ces anomalies et ont proposé des méthodes pour leur correction en passant par un processus de restructuration. Ce processus vise l’amélioration de la qualité d’une ontologie et par conséquent faciliter sa compréhension et sa maintenabilité. Des approches existantes ont abordé la restructuration dans différentes perspectives. Cependant, il n’existe toujours pas de méthodologie bien établie qui couvre tout le processus de restructuration et qui permet de faire un remaniement global de la structure de l’ontologie. De plus, ces approches se focalisent sur un seul niveau de la restructuration, soit la détection et la correction des erreurs existantes liées au modèle conceptuel de l’ontologie et ne tentent pas d’identifier d’autres connaissances aussi pertinentes pour le domaine modélisé et qui sont manquantes dans l’ontologie actuelle. Pour répondre à cette problématique, nous proposons une approche de restructuration des ontologies basée sur un cadre formel qui est L’Analyse relationnelle de concepts (ARC). Cette approche devrait assurer trois étapes principales: (1) le codage de l’ontologie initiale dans le format d’entrée de l’ARC; (2) l’application des méthodes de l’ARC pour l’analyse des données de l’ontologie et leur organisation sous formes de treillis de concepts formels; et (3) la génération de l’ontologie restructurée à partir des treillis construits. Notre principale contribution serait de gérer la complexité de ces treillis de concepts par le filtrage des éléments pertinents qui vont constituer les éléments de l'ontologie restructurée.

    • Biographie: Schahrazed FENNOUH détient un Ph. D en informatique de l’Université du Québec À Montréal (2016). Son travail porte sur la restructuration des ontologies OWL et l’Analyse relationnelle de concepts. Elle a participé au projet PRIOWS – Un programme de recherche appliquée en ingénierie ontologique pour le web sémantique. Ses domaines d’intérêts sont : ingénierie ontologique, extraction de connaissances, fouille de données, apprentissage machine et intelligence artificielle.

Séminaire 1

  • Date: Mercredi 25 janvier 2017 (12:30 - 13:30 au SH-3120) (Pizza et boisson à volonté à partir de 12:00 au PK-4285). Choisissez votre pizza >>>ici<<<
  • Conférencier invité: Mr Philippe Fournier-Viger .
    • Titre: Découvertes de motifs périodiques et profitables pour l'analyse du comportement des consommateurs.

    • Résumé: L'analyse du comportement des consommateurs est un problème classique en fouille de données. Dans sa formulation originelle, il consiste à analyser les transactions (achats) de consommateurs pour y déceler des motifs fréquents tels que des groupes d'items fréquemment achetés par des consommateurs. Ces motifs découverts peuvent être ensuite utilisés pour comprendre le comportement des consommateurs et aider la prise de décision. Bien que la découverte de motifs fréquents à de nombreuses applications, elle ignore des critères importants dans la sélection des motifs tel que le profit généré par les achats des consommateurs. De plus, les algorithmes traditionnels sont inadéquats pour a découverte de motifs cycliques (ex.: les habitudes d'achats de produits sur une base hebdomadaire ou mensuelle). Pour pallier ces limites, un nouvel algorithme nommé PHM (Periodic High-utility itemset Miner) est proposé pour la découverte de motifs périodiques générant un profit élevé. Une évaluation expérimentale démontre que l'algorithme est efficient et peut filtrer un grand nombre de motifs non périodiques pour ne présenter que les motifs périodiques et profitables à l'utilisateur. La présentation discutera également brièvement d'autres problèmes connexes.

    • Biographie: Philippe Fournier-Viger (Ph.D) est professeur titulaire au Harbin Institute of Technology (Shenzhen), en Chine. Il détient un Doctorat en informatique cognitive de l'Université du Québec à Montréal (2010). Il a participé à plus de 130 articles de recherche, qui ont reçu plus de 1,100 citations. Ses intérêts de recherche portent d'une part sur la recherche fondamentale en fouille de données (conception d'algorithmes de découverte de motifs intéressants de divers types dans des bases de données, analyse/prédiction de séquences), et d'autre part sur des problèmes appliqués liés au cyberapprentissage, l'analyse de réseaux sociaux, l'analyse de textes et la conception de produits industriels. Récemment, il a reçu la prestigieuse subvention "Youth 1000" de la National Science Fundation of China. Il est aussi le fondateur de la populaire librairie open source de fouille de donnée SPMF, citée dans plus de 400 articles de recherche depuis 2010. Il est éditeur en chef du journal Data Mining and Pattern Recognition et directeur du Center of Innovative Industrial Design.