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


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

Engagement d’IVADO pour l’équité, la diversité et l’inclusion et note aux candidat·e·s :

Afin que l’avancement des connaissances et des opportunités dans le domaine de la science des données bénéficie équitablement à tous les membres de la société, IVADO promeut des principes d’équité, de diversité et d’inclusion à travers l’ensemble de ses programmes. IVADO s’engage à offrir un processus de recrutement et un milieu de recherche qui soient inclusifs, non discriminatoires, ouverts et transparents.

En bref

Description

FAQ

Soumission

Résultats - concours 2018

Résultats - concours 2019

  • Domaine d’étude : Le programme de financement IVADO Bourses d’initiation à la recherche au 1er cycle – Stages d’été soutient la recherche concernant les enjeux soulevés dans la demande de subvention Apogée : la science des données au sens large, incluant des recherches méthodologiques en science des données (apprentissage automatique, recherche opérationnelle, statistiques) et leurs applications dans plusieurs domaines dont les domaines prioritaires d’IVADO (la santé, le transport, la logistique, l’énergie, le commerce et la finance) ou tout autre domaine d’application (sociologie, physique, linguistique, génie, etc.).
  • Montant de la bourse et durée :  jusqu’à 5000 $ sur douze semaines maximum
  • Ouverture du concours : 9 janvier 2020, 9h00 du matin HNE
  • Date limite de présentation de la demande : 12 février 2020 9h00 du matin HNE
  • Date de notification prévue : Début mars 2020
  • Critères : voir l’onglet description
  • Soumission : voir l’onglet soumission
  • Renseignements : programmes-excellence@ivado.ca

Objectifs du programme

Les objectifs de ce programme qui vise les étudiants 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 peut aussi être inscrit à l’Université d’Alberta ou à l’Université McGill;
    • Avoir une moyenne minimale de B+ (ou l’équivalent). 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);
    • 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 mai 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 paritaire sera composé de professeur·e·s universitaires et qui ne présenteront aucun·e candidat·e.

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 ou 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 au trimestre d’été, mais je suis toujours étudiant au baccalauréat. Puis-je bénéficier d’une bourse IVADO?
    • Oui. Il n’est pas obligatoire d’être inscrit 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’heure 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 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