Août 2012 - Lisa_seminaires - mailman.iro.umontreal.ca

deep learning tutorial starting tomorrow 11h30
by Yoshua Bengio 13 Sep '12

13 Sep '12

Hi all, In the next few IFT6266 lectures, I plan to go through the deep learning / representation tutorial I gave at the IPAM deep learning summer school in July (http://www.ipam.ucla.edu/programs/gss2012/) Classes are Monday 11h30-13h30 (room Z-255) and Thursday 9h30-11h30 (room Z-210), starting tomorrow. I expect this to last 3 or 4 lectures. Everyone is welcome to attend. An outline of the lectures and the slides are there: http://www.iro.umontreal.ca/~bengioy/talks/deep-learning-gss2012.html -- Yoshua

2 4

Fwd: [LabRL] Seminar by Russ Greiner, University of Alberta, Tu 2:30pm
by Aaron Courville 23 Aoû '12

23 Aoû '12

Hi All, As the message below states, Russ Greiner, Professor at the University of Alberta, is visiting us at McGill next Tuesday, August 28. He will give a talk on his research (details below). Cheers, Aaron ---------- Forwarded message ---------- > From: Doina Precup <dprecup(a)cs.mcgill.ca> > Date: August 23, 2012 9:13:40 AM EDT > To: labrl(a)cs.mcgill.ca > Subject: [LabRL] Seminar by Russ Greiner, University of Alberta, Tu 2:30pm > > >> Hi everyone, >> >> Russ Greiner, Professor at the University of Alberta, is visiting us at McGill next Tuesday, August 28. He will give a talk on his research (details below). If you want to meet with Russ, please let me know. >> >>> Title: Learning Patient-Specific Survival Distributions as a Sequence of Dependent Regressors >> >>> Time and Place: Tuesday Aug. 28, 2:30pm, McConnell Engineering Building, room 437 >>> >>> Abstract: An accurate model of patient survival time can help in the treatment and care of patients. The common practice of providing survival time estimates based only on population averages for the site and stage of the disease ignores many important individual differences among patients. Here, we present a novel machine learning algorithm, PSSP (for “patient-specific survival predictor"), for learning patient-specific survival time distribution based on patient attributes, such as blood tests and clinical assessments. The predicted distribution can be regarded as a personalized version of Kaplan-Meier curve, and can be used as a tool for doctors to visualize the survival rate of individual patients. PSSP can also easily incorporate the time-varying effects of prognostic factors and handle censored survival times. When tested on a cohort of more than 2000 cancer patients from the Alberta Cancer Registry, our method gives survival time predictions that are much more accurate than popular survival analysis models such as the Cox and Aalen regression models. Our results show that using patient-specific attributes can reduce the prediction error on survival time by as much as 20% when compared to using cancer site and stage only. We anticipate this same technology can be used for learning and predicting personalized Kaplan-Meier curves for patients suffering from other diseases. >>> >>> Joint work with Chun-Nam Yu, Vickie Baracos >> >>> Website: http://pssp.srv.ualberta.ca/ >> >> Best, >> Doina > > _______________________________________________ > LabRL mailing list > LabRL(a)cs.mcgill.ca > http://mailman.cs.mcgill.ca/mailman/listinfo/labrl -- Aaron C. Courville Département d’Informatique et de recherche opérationnelle Université de Montréal email:Aaron.Courville@gmail.com

1 0

Fwd: S�minaire RALI-OLST-Mprime du 22 ao�t
by Yoshua Bengio 20 Aoû '12

20 Aoû '12

Begin forwarded message: > From: Jian-Yun Nie <nie(a)IRO.UMontreal.CA> > Subject: Séminaire RALI-OLST-Mprime du 22 août 2012 > Date: 19 août 2012 21:16:48 HAE > To: rali-olst(a)iro.umontreal.ca > > Annonce de séminaire RALI-OLST-Mprime > > Context and modeling in Information Retrieval > > Massimo Melucci > University of Padua, Italy > > Le 22 août 2012 à 11h30 > Salle 3195, Pavillon André-Aisenstadt > > --- > ABSTRACT > I will talk about recent advances in modeling of Information Retrieval (IR) stimulated by the issues of context. These advances refer to some generalizations of the standard models, in particular, I will mention the probabilistic and the vector-space models. >

1 0

Soutenance de thèse d'Olivier Delalleau, jeudi 9h30, salle 3195
by vincentp＠iro.umontreal.ca 13 Aoû '12

13 Aoû '12

---------------------------- Message original ---------------------------- Objet: Soutenance de thèse d'Olivier Delalleau, jeudi 9h30, salle 3195 De: vincentp(a)iro.umontreal.ca Date: Lun 13 août 2012 16:23 À: seminaires(a)iro.umontreal.ca Copie à: "'Yoshua Bengio'" <bengioy(a)iro.umontreal.ca> "Pierre McKenzie" <mckenzie(a)iro.umontreal.ca> yves.grandvalet(a)utc.fr patrick.drouin(a)umontreal.ca "Olivier Delalleau" <delallea(a)iro.umontreal.ca> "Mariette Paradis" <paradma(a)iro.umontreal.ca> -------------------------------------------------------------------------- Vous êtes tous cordialement invités à assister à la soutenance de thèse de doctorat d'Olivier Delalleau qui se déroulera ce jeudi 16 août, à 9h30 au local 3195, Pavillon André Aisenstadt. (Note: the presentation will be in French) TITRE: Apprentissage machine efficace : théorie et pratique RÉSUMÉ: Cette thèse s'intéresse à la question de l'efficacité en apprentissage machine, abordée sous deux angles complémentaires : celui de l'efficacité dite statistique (comment mieux apprendre avec moins de données), et celui de l'efficacité dite computationnelle (comment apprendre plus rapidement et en utilisant moins d'espace mémoire). Alors que nous sommes capables de collecter de plus en plus de données, et de les analyser sur des ordinateurs de plus en plus puissants, un tel sujet de recherche pourrait sembler futile. Nous espérons vous convaincre du contraire au cours de cette présentation, à partir des contributions principales apportées dans les six articles de cette thèse : - Pour ce qui est de l'efficacité statistique, nous exposons les forces et faiblesses de plusieurs types d'algorithmes (arbres de décision, réseaux de neurones "sommes-produits", et apprentissage semi-supervisé à base de graphe). - En ce qui a trait à l'efficacité computationnelle, nous apportons une justification théorique et pratique à l'algorithme de divergence contrastive, présentons une optimisation significative pour l'estimation de densité en présence de valeurs manquantes, et abordons un sujet rarement traité dans le cadre de la recherche académique : celui des contraintes computationnelles liées à l'utilisation d'un algorithme d'apprentissage en production industrielle, ici dans un jeu vidéo en ligne. ------------------ TITLE: Efficient machine learning: theory and practice ABSTRACT: This thesis focuses on the topic of efficiency in machine learning, which we study from two complementary points of view: statistical efficiency (how to learn better from fewer examples) and computational efficiency (how to learn faster with lower memory requirements). Considering that the amount of data being collected is always increasing, and that our computers are getting more and more powerful, such research may seem pointless. We hope this presentation will convince you this is not the case, based on the main results found in the six papers contained in this thesis: - On statistical efficiency, we exhibit strengths and weaknesses of various algorithms (decision trees, "sum-product" neural networks and graph-based semi-supervised learning). - On computational efficiency, we justify theoretically and empirically the contrastive divergence algorithm, propose a significant optimization for density estimation with missing values, and finally discuss a topic that is often overlooked by academic research: the computational challenges in an industrial application of machine learning algorithms, here in the context of an online video game.

1 0

Soutenance de thèse de Philippe Hamel, jeudi 10h00, salle 3195
by vincentp＠iro.umontreal.ca 05 Aoû '12

05 Aoû '12

Vous êtes tous cordialement invités à assister à la soutenance de thèse de doctorat de Philippe Hamel, qui se déroulera ce jeudi 9 août, à 10h00 au local 3195, Pavillon André Aisenstadt. (Note: the presentation will be in French) Titre: Apprentissage de représentations musicales à l'aide d'architectures profondes et multiéchelles Résumé L'apprentissage machine (AM) est un outil important dans le domaine de la recherche d'information musicale (\emph{Music Information Retrieval} ou MIR). De nombreuses tâches de MIR peuvent être résolues en entraînant un classifieur sur un ensemble de caractéristiques. Pour les tâches de MIR se basant sur l'audio musical, il est possible d'extraire de l'audio les caractéristiques pertinentes à l'aide de méthodes traitement de signal. Toutefois, certains aspects musicaux sont difficiles à extraire à l'aide de simples heuristiques. Afin d'obtenir des caractéristiques plus riches, il est possible d'utiliser l'AM pour apprendre une représentation musicale à partir de l'audio. Ces caractéristiques apprises permettent souvent d'améliorer la performance sur une tâche de MIR donnée. Afin d'apprendre des représentations musicales intéressantes, il est important de considérer les aspects particuliers à l'audio musical dans la conception des modèles d'apprentissage. Vu la structure temporelle et spectrale de l'audio musical, les représentations profondes et multiéchelles sont particulièrement bien conçues pour représenter la musique. Cette thèse porte sur l'apprentissage de représentations de l'audio musical.Des modèles profonds et multiéchelles améliorant l'état de l'art pour des tâches telles que la reconnaissance d'instrument, la reconnaissance de genre et l'étiquetage automatique y sont présentés. Title: Learning musical representations with deep and multi-scale architectures Abstract: Machine learning (ML) is an important tool in the field of music information retrieval (MIR). Many MIR tasks can be solved by training a classifier over a set of features. For MIR tasks based on music audio, it is possible to extract features from the audio with signal processing techniques. However, some musical aspects are hard to extract with simple heuristics. To obtain richer features, we can use ML to learn a representation from the audio. These learned features can often improve performance for a given MIR task. In order to learn interesting musical representations, it is important to consider the particular aspects of music audio when building learning models. Given the temporal and spectral structure of music audio, deep and multi-scale representations are particularly well suited to represent music. This thesis focuses on learning representations from music audio. Deep and multi-scale models that improve the state-of-the-art for tasks such as instrument recognition, genre recognition and automatic annotation are presented.

1 0