BAUDRY Maximilien

< Retour à ILB Patrimoine
Affiliations
  • 2019 - 2020
    Laboratoire de sciences actuarielle et financière
  • 2019 - 2020
    Université Claude Bernard Lyon 1
  • 2019 - 2020
    Ecole doctorale en informatique et mathematiques de lyon
  • 2019 - 2020
    Université de Lyon - Communauté d'universités et d'établissements
  • 2020
  • Quelques problèmes d'apprentissage statistique avec des données incomplètes.

    Maximilien BAUDRY
    2020
    La plupart des méthodes statistiques ne sont pas conçues pour travailler directement avec des données incomplètes. L'étude de l'incomplétude des données n'est pas nouvelle et des méthodes solides ont été établies pour la traiter avant une analyse statistique. D'autre part, la littérature sur l'apprentissage profond travaille principalement avec des données non structurées telles que des images, du texte ou des données audio brutes, mais très peu de travaux ont été réalisés sur des données tabulaires. Par conséquent, la littérature moderne sur l'apprentissage automatique traitant de l'incomplétude des données sur des données tabulaires est rare. Cette thèse se concentre sur l'utilisation de modèles d'apprentissage automatique appliqués à des données tabulaires incomplètes, dans un contexte d'assurance. Nous proposons à travers nos contributions quelques façons de modéliser des phénomènes complexes en présence de schémas d'incomplétude, et montrons que nos approches surpassent les modèles de l'état de l'art La plupart des méthodes statistiques ne sont pas nativement conçues pour fonctionner sur des données incomplètes.
Les affiliations sont détectées à partir des signatures des publications identifiées dans scanR. Un auteur peut donc apparaître affilié à plusieurs structures ou tutelles en fonction de ces signatures. Les dates affichées correspondent seulement aux dates des publications retrouvées. Pour plus d’informations, voir https://scanr.enseignementsup-recherche.gouv.fr