Nos tutelles

CNRS Université Catholique de Lille FGES Lille IESEG Université Lille 1 FSES Lille 1 IAE Lille Université Lille 2 Université Lille 3

Nos partenaires

Université d'Artois

Rechercher




Accueil > Animations et Evénéments > Séminaires > Séminaires passés

Séminaire statistique et économétrie : apprentissage statistique en grande dimension

publié le , mis à jour le

Jeudi 14 janvier à 14h00, lors du séminaire de statistique et économétrie nous recevrons Benjamin Guedj qui nous présentera ses travaux sur l’apprentissage statistique en grande dimension en salle F1.07 de la Maison de la REcherche à Lille3.

Titre : Apprentissage statistique en grande dimension : le point de vue PAC-bayésien

Résumé : la théorie statistique de l’apprentissage s’est affirmée en quelques décennies comme une discipline extrêmement dynamique, empruntant tant à la statistique mathématique (inégalités de concentration, approche oracle, ...) qu’à l’optimisation (méthodes de descentes de gradient stochastique, ...) et au machine learning (percetron de Rosenblatt, deep learning, ...), et s’enrichit de nombreuses méthodes pour lesquelles existent des garanties mathématiques et algorithmiques. Je m’attacherai dans cet exposé à présenter l’une d’elle, la théorie PAC-bayésienne introduite par Shawe-Taylor et Williamson (1997) et McAllester (1998,1999) et formalisée par Catoni (2003,2004,2007), qui consiste à analyser de manière PAC (probably approximately correct) des estimateurs quasi-bayésiens.

Après un tour d’horizon du domaine et une synthèse des résultats théoriques et algorithmiques existants, cet exposé présentera en particulier deux travaux récents sur l’extension de la théorie PAC-bayésienne au ranking en grande dimension et à la factorisation de grandes matrices aléatoires, respectivement.