Sélection de variables et apprentissage avec des données partiellement étiquetées

par Vasilii Feofanov

Projet de thèse en Mathématiques Appliquées

Sous la direction de Massih-Reza Amini et de Emilie Devijver.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Laboratoire d'Informatique de Grenoble (laboratoire) et de AMA (equipe de recherche) depuis le 17-09-2018 .


  • Résumé

    L'apprentissage automatique est un domaine en constante évolution. Nous pouvons maintenant analyser instantanément des données à grande échelle. Dans ce projet, nous voulons nous concentrer sur un problème spécifique, la sélection de variables et l'apprentissage avec des données partiellement étiquetées. Dans de nombreuses applications, par ex. la biologie et la médecine prédictive, les spécialistes recherchent des modèles interprétables pour expliquer pourquoi et comment. C'est pourquoi nous proposons de mélanger la classification et la sélection de variables, pour les données partiellement étiquetées. Ces questions sont entre les mathématiques et l'informatique, et encore plus entre l'apprentissage automatique et les statistiques, afin d'obtenir des méthodes productives avec de bonnes garanties théoriques.

  • Titre traduit

    Variable selection and learning with partially labelled data


  • Résumé

    Machine learning is a domain in constant evolution. We can now analyze instantlty large scale data. In this project, we want to focus on a specific problem, the variable selection and the learning with data partially labelled. In many applications, e.g. biology and predictive medicine, specialists are looking for interpretable models to explain why and how. That is why we propose to mix the classification and the variable selection for partially labelled data. Those questions are in between maths and computer science, and even more between machine learning and statistics, in order to get productive methods with good theoretical guarantees.