en
Doctoral thesis
English

Domain-Tailored Approaches to Statistical Learning

ContributorsBakalli, Gaetan
Defense date2021-08-25
Abstract

L'objectif de cette thèse est double. Tout d'abord, elle présente une approche de l'apprentissage statistique qui inclus la connaisance d'un domaine spécifique dans le mechanisme d'apprentissage. L'accent est placé sur les performance de prédiction ainsi que sur l'interprétabilité de la méthode proposée. Il est d ́emontré qu'une telle approche réduit de manière conséquente l'espace des modèles possibles explorés. Des exemples numériques ainsi qu'empirique d ́emontrent les bénéfices de la méthode proposée. Ensuite, un algorithme d'encapsulation général pour différent mechanisme d'apprentissage est présenté. Contrairement à la plupart des travaux en apprentissage parcimonieux, cet algorithme délivre un ensemble d'apprenants équivalents en terme de perfomance de prédiction. Cet ensemble permet de créer un réseau defacteurs prédictifs, et donc une séléction de facteurs plus interprétable et réplicable. Des exemples empiriques montrent le potentiel de la méthode en terme de performance de prédiction.

fre
Citation (ISO format)
BAKALLI, Gaetan. Domain-Tailored Approaches to Statistical Learning. 2021. doi: 10.13097/archive-ouverte/unige:154513
Main files (1)
Thesis
accessLevelRestricted
Identifiers
234views
11downloads

Technical informations

Creation09/03/2021 4:46:00 PM
First validation09/03/2021 4:46:00 PM
Update time04/24/2023 1:45:23 PM
Status update04/24/2023 1:45:23 PM
Last indexation01/29/2024 10:43:35 PM
All rights reserved by Archive ouverte UNIGE and the University of GenevaunigeBlack