aide
Accueil > Formations > Master MVA > Présentation des cours
Master MVA - Cours
Cours du 1er semestre 2021-2022
Ils sont disponibles sur https://www.master-mva.com/cours-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
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
- Responsible machine Learning
D. ABU ELYOUNES, N. VAYATIS, T. EVGENIOU, M. GARIN - Computational statistics
S. ALLASSONNIERE - Convex optimization and applications in machine learning
A. D'ASPREMONT - Probabilistic graphical models
P. LATOUCHE, P.A. MATTEI - Reinforcement learning
M. PIROTTA - Computational optimal transport
G. PEYRE - Introduction to statistical learning
N. VAYATIS - Advanced learning for text and graph data ALTEGRAD
M. VAZIRGIANNIS - Deep Learning
V. LEPETIT, M. VAKALOPOULOU - Foundations of Distributed and Large Scale Computing Optimization
E. CHOUZENOUX, S. MARTIN
Cours du 2nd semestre 2021-2022
Ils sont disponibles sur https://www.master-mva.com/cours-2nd-semestre/
Data/Modélisation
- Théorie de la détection et ses applications industrielles
R. GROMPONE - 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
T. PAPADOPOULO, 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 - Numerical PDEs for image analysis
J-M. MIREBEAU
Apprentissage
- Deep reinforcement learning
C. TALLEC, M. VALKO - Graphs in machine learning
D. CALANDRIELLO, M. VALKO - Apprentissage pour les séries temporelles
L. OUDRE - Théorie des matrices aléatoires et apprentissage
R. COUILLET, J. NAJIM - Modelling in neuroscience - and elsewhere / Modélisation en neurosciences et ailleurs
J.-P. NADAL - Kernel Methods for machine learning
J. MAIRAL, M. ARBEL - Information et Complexité
S. MALLAT - Approches géométriques en apprentissage statistique: l'exemple des données longitudinales
S. DURRLEMAN - Sequential learning
P.GAILLARD, Remy DEGENNE - Fondements Théoriques du deep learning
S. GERCHINOVITZ, F. MALGOUYRES, E. PAUWELS, N. THOME - Deep Learning in Practice
G. CHARPIAT, chargés de TD: W. LIU et N. SCHWENCKE - Apprentissage Profond pour la Restauration et la Synthese d'Images
A. ALMANSA, A. NEWSON, S. LADJAL - Graphical Models: Discrete inference and learning
K. ALAHARI, D. WASSERMANN - Bayesian machine learning
R. BARDENET, J. ARBEL - Deep learning for medical imaging
O. COLLIOT, M. VAKALOPOULOU