Version accessible
  • fr
  • en
Recherche rapide
  • Aide
  • Recherche avancée
  • Nouveautés
Naviguer par :
  • Accueil
  • Mémoires
    • Nouveautés
      Recherche de nouveautés dans les ressources documentaires
    • Par master
      Recherche par master
    • Recherche avancée
      Recherche de ressources documentaires
    • Tous les mémoires
  • Thèses
    • Nouveautés
      Recherche de nouveautés dans les thèses
    • Recherche avancée
      Recherche de ressources
    • Par auteur
      Recherche par auteur
    • Par année
      Recherche par année de soutenance
    • Par laboratoire
      Recherche par laboratoire
    • Par thème
      Recherche thématique
    • Par école doctorale
      Recherche par école doctorale
    • Toutes les thèses
  • Publications de recherche
    • Nouveautés
      Recherche de nouveautés dans les ressources documentaires
    • Par laboratoire de recherche
      Recherche par laboratoire
    • Recherche avancée
      Recherche de publication de recherche
    • Toutes les publications de recherche
  • Tous les documents
    • Nouveautés
      Recherche des nouveautés
    • Recherche avancée
      Recherche avancée sur plusieurs formats
    • Toutes les ressources

Fiche descriptive

  • Vous êtes ici :
  • Accueil
  • »
  • Fiche descriptive
???menu.description..???
  • Imprimer
  • Version PDF
  • Version XML
  • Ajouter à ma sélection
  • Partager
  • Courriel
  • Twitter
  • Facebook
  • del.icio.us
  • BlogMarks
  • Viadeo
  • LinkedIn
Quelques problèmes d’apprentissage statistique en présence de données incomplètes (Document en Anglais)
Accès au(x) document(s)
Accéder au(x) document(s) :
  • https://theses.hal.science/tel-02467765Lien brisé : nonDroits d'accès : non autorisé
Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
 
Informations sur les contributeurs
Auteur : Baudry Maximilien
Baudry, Maximilien
Nom
Baudry
Prénom
Maximilien
Nationalité
Français

Date de soutenance : 08-01-2020

Directeur(s) de thèse : Robert Christian Yann
Robert, Christian Yann
Nom
Robert
Prénom
Christian Yann


Etablissement de soutenance : Lyon
Lyon
Nom
Lyon

Laboratoire : Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)
Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)
Nom
Laboratoire de Sciences Actuarielle et Financière (Lyon ; 1997-....)

Ecole doctorale : École doctorale InfoMaths (Lyon ; 2009-....)
École doctorale InfoMaths (Lyon ; 2009-....)
Nom
École doctorale InfoMaths (Lyon ; 2009-....)

  
Informations générales
Discipline : Mathématiques appliquées
Classification : Mathématiques

Mots-clés libres : Données incomplètes, Deep learning, Séries temporelles, Données censurées, Machine learning
Mots-clés :
  • Apprentissage profond
  • Séries chronologiques
  • Statistique mathématique
Résumé : La plupart des me?thodes statistiques ne sont pas nativement conc?ues pour fonctionner sur des donne?es incomple?tes. L’e?tude des donne?es incomple?tes n’est pas nouvelle et de nombreux re?sultats ont e?te? e?tablis pour pallier l’incomple?tude en amont de l’e?tude statistique. D’autre part, les me?thodes de deep learning sont en ge?ne?ral applique?es a? des donne?es non structure?es de type image, texte ou audio, mais peu de travaux s’inte?ressent au de?veloppement de ce type d’approche sur des donne?es tabulaires, et encore moins sur des donne?es incomple?tes. Cette the?se se concentre sur l’utilisation d’algorithmes de machine learning applique?s a? des donne?es tabulaires, en pre?sence d’incomple?tude et dans un cadre assurantiel. Au travers des contributions regroupe?es dans ce document, nous proposons diffe?rentes fac?ons de mode?liser des phe?nome?nes complexes en pre?sence de sche?mas d’incomple?tude. Nous montrons que les approches propose?es donnent des re?sultats de meilleure qualite? que l’e?tat de l’art
  
Informations techniques
Type de contenu : Text
Format : PDF
  
Informations complémentaires
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020LYSE1002
Type de ressource : Thèse
À propos Aide
ORI-OAI-search 2.0.7 - © 2006-2014 ORI-OAI