aide
Accueil > Formations > Master MVA > Présentation des cours
Master MVA - Cours 2019-2020
Cours du 1er semestre
Data/Modélisation
- Topological data analysis for imaging and machine learning
J. TIERNY, F.CHAZAL - Introduction to medical image analysis
H. DELINGETTE, X. PENNEC - Introduction à l'imagerie numérique
J. DELON,Y. GOUSSEAU - Object recognition and computer vision
I. LAPTEV, J. PONCE, C. SCHMID, J. SIVIC, - Sub-pixel image processing
L. MOISAN - 3D computer vision
R. MARLET, P. MONASSE, M. AUBRY - Image denoising : the human machine competition
J.-M. MOREL, G.FACCIOLO, P.ARIAS - Méthodes mathématiques pour les neurosciences
E. TANRE, R. VELTZ
Apprentissage
- Computational statistics
S.ALLASSONNIERE - Convex optimization and applications in machine learning
A. D'ASPREMONT - Probabilistic graphical models
P.LATOUCHE, N. CHOPIN - Reinforcement learning
A. LAZARIC - Computational optimal transport
G. PEYRE - Graphs in machine learning
M. VALKO - Introduction to statistical learning
N. VAYATIS - Advanced learning for text and graph data ALTEGRAD
M. VAZIRGIANNIS - Deep Learning
V.LEPETIT - Foundations of Distributed and Large Scale Computing Optimization
E. CHOUZENOUX et J.-C. PESQUET
Cours du 2nd semestre
Data/Modélisation
- Remote sensing data: from sensor to large-scale geospatial data exploitation
F. TUPIN, G. FACCIOLO, A.ALMANSA - Audio signal processing - Time-frequency analysis
E. BACRY - Nuages de points et modélisation 3D
T. BOUBEKEUR, J-E. DESCHAUD, F. GOULETTE, - Imagerie fonctionnelle cérébrale et interface cerveau machine
M. CLERC, T. PAPADOPOULOS, B. THIRION - Deformable models and geodesic methods for image analysis
L. COHEN, G. PEYRE - Méthodes stochastiques pour l'analyse d'images
A. DESOLNEUX, B. GALERNE, J.DELON - Audio signal Analysis, Indexing and Transformations
G. RICHARD, R.BADEAU - Géométrie et espaces de formes
A. TROUVE, J. GLAUNES - Problèmes inverses et imagerie : approches statistiques et stochastiques
J. GARNIER - Algorithms for speech and natural language processing
E. DUPOUX, B. SAGOT - Biostatistics
R. PORCHER
Apprentissage
- Théorie des matrices aléatoires et apprentissage
R. COUILLET, J. NAJIM - Modélisation en neurosciences et ailleurs
J.-P. NADAL - Kernel Methods for machine learning
J. MAIRAL, J.-P. VERT - Approches géométriques en apprentissage statistique: l'exemple des données longitudinales
S.DURRLEMAN - Modèles multi-échelles et réseaux de neurones convolutifs
S.MALLAT - Predictions of individual sequences (Sequential learning)
P.GAILLARD - Fondements Théoriques du deep learning
S.GERCHINOVITZ, F.MALGOUYRES, E.PAUWELS, N.THOME - Deep Learning in Practice
G.CHARPIAT - Apprentissage Profond pour la Restauration et la Synthese d'Images
A.ALMANSA, A.NEWSON, S.LADJAL - Discrete inference and learning
K.ALAHARI, Y.TARABALKA - Bayesian machine learning
R.BARDENET, J.ARBEL