Bourses d’excellence à la maîtrise

Programme de bourses d’excellence IVADO à la maîtrise

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 2018

  • Domaine d’étude Le programme de financement IVADO des bourses d’excellence Msc 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 : 20k $ par année pour un maximum de six sessions ou deux ans
  • Date limite de présentation de la demande : 1er avril 2019
  • Date de notification prévue : 6 mai 2019
  • Critères : voir l’onglet description
  • Soumission : voir l’onglet soumission
  • Renseignements : programmes-excellence@ivado.ca

Objectifs du programme

L’objectif du programme de bourses d’excellence est de soutenir les étudiants prometteurs dans leur formation en tant que futurs personnels hautement qualifiés (chercheurs, professeurs et professionnels) et plus généralement, en tant que futurs acteurs dans le secteur de la science des données, principalement dans les domaines d’excellence des membres IVADO : recherche opérationnelle, apprentissage automatique et sciences de la décision.

Admissibilité du/de la candidat

  • Pour les étudiant·e·s :
    • Avoir déjà reçu son diplôme de baccalauréat au moment de la demande ou prévoir de l’obtenir à la date de l’annonce des résultats. IVADO sera flexible pour les candidat·e·s justifiant les interruptions de carrière et les circonstances particulières, nous invitons à l’indiquer dans votre demande (p.ex. pour cause de maternité ou de maladie).
    • Prévoir s’inscrire à un programme à HEC Montréal, Polytechnique Montréal, l’Université de Montréal, l’Université McGill ou l’Université de l’Alberta.
    • Avoir une note moyenne minimale de première classe (3,7/4,3 ou 3,5/4,00) au cours des années d’études précédentes.
  • 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 l’un des groupes de recherche d’IVADO (MILA, CIRRELT, GERAD, CERC Science des données, CRM, Tech3Lab, AMII);
    • Ne pas présenter plus d’une demande de candidature pour ce concours.
  • Pour le cosuperviseur·e, il n’y aucune contrainte.

Début de la bourse

Date de début du financement : avril 2019

Montant et conditions de versement

Les fonds seront transférés 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.

Le financement pourra être réduit, retenu, retardé ou annulé lors de situations particulières qui seront explicitées dans la lettre d’octroi.

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. En raison de la petite taille de la communauté dans certains domaines, il pourrait être difficile de trouver des examinateur·trice·s pertinent·e·s ne présentant aucun·e candidat·e. Face à une telle situation, un·e évaluateur·trice pourrait être appelé·e à évaluer un·e candidat·e bien qu’il/elle participe lui /elle-même au concours; un·e examinateur·trice externe pourrait également être appelé·e. Le comité veillera par tous les moyens à ce que l’évaluateur·trice n’influe pas le classement de sa propre application.

Le comité d’évaluation s’assurera de l’adéquation entre le projet de recherche 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 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 :

  • à son aptitude à la recherche;
  • à l’étendue et à la portée de son expérience : expériences pluridisciplinaires, expérience professionnelle, activités parascolaires ou extra-universitaires, collaborations, services à la communauté scientifique, contribution à la société, etc.
  • et à l’adéquation de l’expérience avec le projet proposé.

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;
    • les consultations;
    • le soutien lors de différentes activités qui font normalement partie d’une carrière de recherche (mentorat, notamment dans le cadre du projet SEUR, participation à des évaluations, coorganisation d’événements, etc.);
  • 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 ou du FRQ 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

  • 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.
  • Y a-t-il des règles spécifiques pour les lettres de recommandation?
    • Il n’y a pas de règle spécifique pour les lettres de recommandation.
  • Est-ce que les candidats peuvent-ils eux-mêmes envoyer les lettres de recommandation ?
    • Non, les lettres de recommandation doivent être envoyées par leur auteur·e sur la plateforme de candidature.
  • Est-ce que je peux envoyer mes relevés de notes non officiels?
    • Non, vous devez nous numériser et télécharger sur la plateforme joindre tous vos relevés de notes officiels incluant tous vos résultats en cours.
  • Est-ce que la bourse est cumulable?
    • La bourse n’est pas cumulable avec d’autres bourses issues de financements CRSNG, CRSH, IRSC ou IVADO. Nous n’encourageons pas le cumul de bourses issues d’autres sources de financement, mais nous ne l’interdisons pas non plus, car il peut se justifier dans certains cas.
  • J’ai déjà commencé ma maîtrise (mon doctorat), puis-je candidater pour une bourse à la maîtrise (au doctorat)?
    • Oui. Dans le cadre de la maîtrise, si vous l’avez déjà commencée, vous devez fournir vos notes de bacc. et les notes déjà obtenues à la Maîtrise. Dans le cas du doctorat, si vous l’avez déjà commencée, vous devez fournir vos notes de maîtrise et les notes déjà obtenues au doctorat.
  • Mes notes de l’année dernière me rendent éligible, mais mes notes plus récentes ne sont pas assez bonnes (ou l’inverse). Suis-je éligible?
    • Non, mais si vous pouvez justifier une baisse de vos notes (certificat médical par exemple), nous pourrions accepter votre dossier.
  • Quand puis-je commencer à utiliser ma bourse au plus tard?
    • Dans les 6 mois qui suivent l’annonce des résultats.
  • Est-ce que les étudiants dans des maîtrises professionnelles ou DESS sont éligibles?
    • Pas dans le cadre de ce concours qui privilégie la recherche.

L’ensemble du processus de soumission de dossier se passe à travers cette plateforme dédiée: https://ivado.smapply.io/

Le dossier comprendra :

    • un questionnaire à remplir sur la plateforme DONT une description vulgarisée du projet (longueur d’une page maximum);
    • le C.V. 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 télécharger;
    • Deux lettres de recommandation (incluant une du/de la superviseur·e (en cours ou potentiel(le)) téléchargées par leur auteur·e·s sur la plateforme.

Larry Dong (McGill University, Erica Moodie)

  • When making decisions, medical professionals often rely on past experience and their own judgment. However, it is often the case that an individual decision-makerfaces a situation that is unfamiliar to him or her. An adaptive treatment strategy (ATS) can help such biomedical experts in their decision-making, as they are a statistical representation of a decision algorithm for a given treatment that optimizes patient outcomes. ATSs are estimated with large amounts of data, but an issue that may occur is that such sources of data may be subject to unmeasured confounding, whereby important variables needed to ensure the causal inference are missing. The idea behind this research project is to develop a sensitivity analysis to better understand and to quantify the impact of unmeasured confounding on decision rules in ATSs.

Jonathan Pilault (Polytechnique Montréal, Christopher Pal)

  • Language understanding and generation is a unique capacity of humans. Automatic summarization is an important task in Natural (human) Language Processing. This task consists in reducing the size of discourse while preserving information content. Abstractive summarization sets itself apart from other types of summarization since it most closely relates to how humans would summarize a book, a movie, an article or a conversation. From a research standpoint, automatic abstractive summarization is interesting since it requires models to both understand and generate human language. In the past year, we have seen research that have improved the ability of Neural Networks to choose the most important parts of discourse while beginning to address key pain points (e.g. repeating sentences, nonsensical formulations) during summary text generation. Recent techniques in Computer Vision image generation tasks have shown that image quality can be further improved using Generative Adversarial Networks (GAN). Our intuition is that the same is true for a Natural Language Processing task. We propose to incorporate newest GAN architectures into some of the most novel abstractive summarization models to validate our hypothesis. The objective is to create a state-of-the-art summarization system that most closely mimics human summarizers. This outcome will also bring us closer to understand GANs analytically.

Alice Wu (Polytechnique Montréal, François Soumis)

  • Combiner l’A.I. et la R.O. pour optimiser les blocs mensuels d’équipages aérien.Nos travaux récents portent sur le développement de deux nouveaux algorithmes Improved Primal Simplex (IPS) et Integral Simplex Using Decomposition (ISUD) qui profitent de l’information a priori sur les solutions attendues pour réduire le nombre de variables et de contraintes à traiter simultanément. Actuellement cette information est donnée par des règles fournies par les planificateurs. L’objectif de recherche sera de développer un système utilisant l’intelligence artificielle (IA) pour estimer la probabilité que la variable liant deux rotations fasse partie de la solution d’un problème de blocs mensuels d’équipages aériens. L’apprentissage se fera sur les données historiques de plusieurs mois, de plusieurs types d’avions et de plusieurs compagnies. L’estimation des probabilités doit se faire à partir des caractéristiques des rotations et non à partir de leurs noms. Une rotation ne revient pas d’une compagnie à l’autre ni d’un mois à l’autre. Il faudra identifier les caractéristiques pertinentes. Il faudra de la recherche sur l’apprentissage pour profiter des contraintes du problème. Il y a des contraintes entre le personnel terminant des rotations et celui en commençant par la suite. La validation de l’apprentissage se fera en alimentant les optimiseurs avec l’information estimée et en observant la qualité des solutions obtenues et les temps de calcul. Il y aura de la recherche à faire dans les optimiseurs pour exploiter au mieux cette nouvelle information.