Les récentes dernières années ont vu un « revival » surprenant dans le domaine des sciences des données pour les algorithmes stochastiques, vieux sujet en probabilités appliquées et statistiques initiés par les travaux de Robbins, Monro et Siegmund entre les années 50 et 70. Nous présenterons dans cet exposé à la fois la problématique de l’optimisation et de l’échantillonnage dans le contexte des sciences des données. Nous rappellerons à la fois quelques méthodes classiques, des applications typiques en IA, des ingrédients de preuve standard pour l’analyse du comportement des algorithmes à la fois dans les contextes convexe, fortement convexe et non convexe. Si le temps le permet, quelques extensions très récentes à la fois pour l’optimisation par algorithmes adaptatifs d’une part, et les méthodes d’estimation de coût de calcul dans le contexte des méthodes d’échantillonnage.
https://univ-lyon1.webex.com/univ-lyon1/j.php?MTID=m7cd8519d0a628960c789422d56091c2f
