Résumé : cette thèse a été réalisée dans le cadre d’un partenariat CIFRE entre l’Université Lyon 1 et Natixis. Elle a pour objectif de développer des méthodes d’apprentissage statistique permettant l’estimation d’effets causaux. Pour ce faire un modèle spécifique de forêt aléatoire a été développé et ses propriétés asymptotiques ont été étudiées. Puis des applications sur des données réelles ont été proposées, notamment sur une quantité d’inté- rêt pour la direction des risques de Natixis, mais aussi sur une problématique climatique. Enfin une méthode d’apprentissage par transfert sur la forêt précédemment introduite est proposée et des propriétés de convergence ainsi qu’une borne de généralisation sont établies.
Le jury sera composé de :
Antoine Chambaz (Université Paris Cité), rapporteur
Josselin Garnier (Ecole Polytechnique), rapporteur
Nicolas Bousquet (Sorbonne Université & EDF), examinateur
Nicolas Brunel (ENSIIE & Quantmetry), examinateur
Gabriela Ciuperca (UCBL), examinatrice
Marianne Clausel (Université de Lorraine), examinatrice
Véronique Maume-Deschamps (UCBL), directrice de thèse
Pierre Ribereau (UCBL), co-directeur de thèse
Karim Allouche (Natixis), invité
Ibrahima Niang (Natixis), invité
