Méthodes statistiques pour l'apprentissage et l'estimation robuste

Contenu

- Méthodes d’apprentissage par renforcement :
- Processus de décision markovien
- Prédiction et contrôle basés sur modèle MDP (Méthodes de Programmation dynamique : Itération sur valeur et sur politique)
- Prédiction et contrôle sans modèle (Méthodes de Monte-Carlo, Méthodes d’apprentissage TD, Méthodes SARSA, Q-Learning, Double Q-Learning)
- Apprentissage par renforcement profond (Deep Q-learning, Double DQN, Dueling DQN, …)

- Méthodes probabilistes pour l’apprentissage automatique :
- Graphes factoriels dans les problèmes d’inférence et d’optimisation
- Algorithmes de propagation de croyance : min-somme et somme-produit
- Estimation paramétrique et apprentissage de modèles
- Méthodes d’inférence distribuée dans les processus discrets, continus et mixtes discrets-continus
- Application :théorie de l’information, jeux vidéos, traitement de la parole, optimisations discrète ; etc

Estimation robuste pour données non gaussiennes:
- rappels d’estimation paramétrique
- sensibiliser au problème de la mauvaise spécification du modèle
- borne de Cramér-Rao et estimateur de maximum de vraisemblance mal spécifiés
- une généralisation de la loi gaussienne : les distributions elliptiques
- estimation robuste pour données elliptiques
- Applications : machine learning, science de l’environnement, radar et sonar, génétique, finance, etc