Global ETD Search

1	JEUX DE BANDITS ET FONDATIONS DU CLUSTERING Bubeck, Sébastien 10 June 2010 (has links) (PDF) Ce travail de thèse s'inscrit dans le domaine du machine learning et concerne plus particulièrement les sous-catégories de l'optimisation stochastique, du online learning et du clustering. Ces sous-domaines existent depuis plusieurs décennies mais ils ont tous reçu un éclairage différent au cours de ces dernières années. Notamment, les jeux de bandits offrent aujourd'hui un cadre commun pour l'optimisation stochastique et l'online learning. Ce point de vue conduit a de nombreuses extensions du jeu de base. C'est sur l'étude mathématique de ces jeux que se concentre la première partie de cette thèse. La seconde partie est quant à elle dédiée au clustering et plus particulièrement à deux notions importantes: la consistance asymptotique des algorithmes et la stabilité comme méthode de sélection de modèles. [MATH:MATH_ST] Mathematics/Statistics [STAT:TH] Statistics/Statistics Theory online learning optimisation stochastique jeux de bandits apprentissage séquentiel regret minimax prédiction avec information incomplète bandits avec infinité d'actions regret non cumulé exploration efficace clustering consistance stabilité