BEGIN:VCALENDAR
VERSION:2.0
PRODID:https://evenements.uqam.ca
X-PUBLISHED-TTL:P1W
BEGIN:VEVENT
UID:34047@https://evenements.uqam.ca
DTSTART:20260520T133000Z
SEQUENCE:4
TRANSP:OPAQUE
URL:https://evenements.uqam.ca/evenements/soutenance-de-these-de-stephane-s
 amson-doctorant-en-informatique-cognitive-developpement-de-methodes-d-anal
 yse-informatique-en-biovigilance-utilisant-l-apprentissage-profond/34047?d
 ate=2026-05-20_13-30-00
LOCATION:UQAM - Pavillon Président-Kennedy (PK) (201\, avenue du Présiden
 t-Kennedy\, Montréal )
SUMMARY:Soutenance de thèse de Stéphane Samson\, doctorat en informatique
  cognitive: «Développement de méthodes d'analyse informatique en biovig
 ilance utilisant l'apprentissage profond»
CLASS:PUBLIC
DESCRIPTION:SOUTENANCE DE THÈSE\n\n\n \n\n\nVous êtes cordialement invit
 és! \n\n\nMardi 20 mai 2026 13h30\n\n\nLocal: PK-2265   \n\n\n \n\n\
 nTITRE : Développement de méthodes d'analyse informatique en biovigilan
 ce utilisant l'apprentissage profond\n\n\n \n\n\nPrésenté par\n\n\nSté
 phane SAMSON\, personne doctorante en informatique cognitive  \n\n\n \n
 \n\nRÉSUMÉ\n\n\nLa présente thèse\, relevant de la biovigilance et de 
 l'agriculture de précision\, porte sur la modélisation et la prévision 
 des maladies fongiques des cultures à partir de données agro-environneme
 ntales.  Le secteur agricole a connu\, au cours des dernières décennies
 \, des transformations majeures liées à l'intensification de ses pratiqu
 es\, à l'usage accru d'intrants chimiques et à l'évolution des système
 s de production.  Si ces changements ont contribué à accroître la prod
 uctivité agricole\, ils ont également engendré des effets non intention
 nels\, tels qu'une diminution de la résistance des cultures aux organisme
 s nuisibles\, un déséquilibre des écosystèmes agricoles et l'émergenc
 e de souches pathogènes résistantes aux fongicides.  Dans ce contexte\,
  la biovigilance vise à mieux comprendre et anticiper les effets combiné
 s des facteurs biotiques et abiotiques affectant la santé des cultures. 
  L'augmentation des températures moyennes et les perturbations climatique
 s résultantes favorisent l'expansion géographique\, la survie et la viru
 lence de nombreux pathogènes fongiques\, rendant nécessaire le développ
 ement de modèles prédictifs performants et versatiles afin de favoriser 
 des stratégies de gestion mieux informées.\n\n\n Dans cette perspective
 \, les principes tirés de l'informatique cognitive sont employés afin de
  rapprocher les modèles d'apprentissage automatique des mécanismes de ra
 isonnement utilisés dans les systèmes d'aide à la décision en agricult
 ure.  Les modèles proposés exploitent les interactions spatiales entre 
 les plantes\, les dynamiques temporelles propres à la période de croissa
 nce et les mécanismes biologiques et météorologiques propres aux agroé
 cosystèmes\, afin de dépasser les limites des approches traditionnelles 
 fondées sur des observations indépendantes.  Nous faisons l'hypothèse 
 que l'intégration de ces représentations au sein de modèles d'apprentis
 sage profond permet d'améliorer la prévision de l'occurrence et de la s
 évérité des maladies fongiques.\n\n\nDans ce manuscrit\, nous présento
 ns trois contributions qui s'inscrivent dans cette démarche et visent à 
 faire progresser l'état de connaissances.  La première évalue l'apport
  des réseaux de neurones à base de graphes pour la prédiction de l'occu
 rrence de maladies fongiques chez l'oignon (Botrytis squamosa)\, la laitue
  (Botrytis lactuae)\, et la carotte (Cercospora carotae)\, en représentan
 t les champs agricoles sous forme de graphes contenant des plantes individ
 uelles.  La seconde explore l'utilisation du transfert d'apprentissage af
 in d'améliorer la généralisation de ces modèles entre cultures et path
 ogènes fongiques\, en particulier dans des contextes où les données dis
 ponibles sont limitées.  Enfin\, la troisième contribution étudie l'im
 pact de différentes méthodes de réduction de dimensionnalité sur les p
 erformances de modèles d'apprentissage automatique traditionnels et profo
 nds\, pour des tâches de classification et de régression liées à la sa
 nté des plantes\, mettant en évidence les compromis associés aux diffé
 rentes approches.\n\n\n \n\n\nMots clés : Système d'aide à la décisio
 n\, Agriculture de précision\, Prévision des maladies des plantes\, Mala
 dies fongiques\, Réseaux de neurones à base de graphes\, Apprentissage p
 rofond\n\n\n \n\n\nJURY D'ÉVALUATION\n\n\nSamuel Foucher\, professeur ad
 joint au département de géomatique appliquée de l'Université Sherbrook
 e (membre externe)\n\n\nFatiha Sadat\, professeure au département d'infor
 matique de l'UQAM (membre interne)\n\n\nNicolas Merveille\, professeur au 
 département d'informatique de l'UQAM (membre interne et président du jur
 y)\n\n\nVladimir Makarenkov\, UQAM\, professeur au département d’inform
 atique (direction de recherche)\n\n\nEtienne Lord\, chercheur en agronomie
  numérique et IA pour le gouvernement du Canada (codirection de recherche
 )\n\nMot-clés : Soutenance de thèse\, LLMs\, LATECE UQAM INFORMATIQUE\, 
 LATECE\, CRIA\, Sciences cognitives\, neurosciences cognitives\, Institut 
 des sciences cognitives\, apprentissage profond\, Cognition\, intelligence
  artificielle\, IA \; intelligence artificielle\, société\, IA\, intelli
 gence artificielle\, chatGPT\, enseignement supérieur\, IA\, intelligence
  artificielle\, IA\; intelligence artificielle\; société\, Doctorat en b
 iochimie\, Faculté des sciences humaines\, Département de biologie\, ali
 mentation biologique\, Faculté des sciences\, Département d'informatique
 \, DESS en Bioinformatique\, doctorat en informatique cognitive\, doctorat
  en informatique\n\nPrix : Gratuit\n\n
CATEGORIES:Thèse,Présentation
DTSTAMP:20260513T142026Z
CREATED:20260512T140916Z
LAST-MODIFIED:20260513T130654Z
END:VEVENT
END:VCALENDAR