BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Estimation récursive pour les données fonctionnelles : théorie\
 , prédiction et classification
DTSTART:20261117T130000Z
DTEND:20261117T140000Z
DTSTAMP:20261116T055600Z
UID:indico-event-16892@indico.math.cnrs.fr
DESCRIPTION:Speakers: Yousri Slaoui\n\nL'analyse statistique des données 
 fonctionnelles soulève de nombreux défis\, notamment lorsque les observ
 ations sont disponibles de manière séquentielle ou en grande quantité.
  Dans ce contexte\, les méthodes récursives\, fondées sur des algorith
 mes d'approximation stochastique\, constituent une alternative intéressa
 nte aux approches classiques\, puisqu'elles permettent d'actualiser les e
 stimateurs à chaque nouvelle observation sans nécessiter le stockage de
  l'ensemble des données précédentes.Dans cet exposé\, nous présenter
 ons plusieurs méthodes d'estimation récursive pour les données fonctio
 nnelles\, en mettant l'accent sur leurs propriétés théoriques et leurs 
 performances statistiques. Nous nous intéresserons d'abord à l'estimatio
 n non paramétrique récursive de la fonction de régression en présence 
 de variables explicatives fonctionnelles. Nous présenterons notamment de
 s résultats de convergence et de normalité asymptotique\, ainsi que des
  procédures de sélection automatique du paramètre de lissage. Les perfo
 rmances des estimateurs proposés seront illustrées par des études de s
 imulation et des applications à des données réelles.Nous aborderons ens
 uite la classification supervisée de courbes\, en examinant les avantage
 s des approches récursives par rapport aux méthodes classiques. Nous no
 us intéresserons également à la classification non supervisée\, à tr
 avers une comparaison entre une approche non paramétrique et une approch
 e paramétrique fondée sur les modèles à blocs stochastiques (Stochasti
 c Block Models\, SBM). Une application à des données électroencéphalo
 graphiques (EEG) permettra d'illustrer l'intérêt de ces méthodes pour l
 'identification de structures latentes.Enfin\, nous évoquerons quelques 
 perspectives de recherche concernant l'extension de ces approches aux donn
 ées fonctionnelles dynamiques et spatiales\, aux observations incomplète
 s ainsi qu'aux modèles à réponses fonctionnelles. Nous discuterons éga
 lement des liens possibles avec l'apprentissage profond et l'apprentissage
  par renforcement\, notamment les méthodes d'évaluation hors politique
  (off-policy) et les algorithmes de type Soft Actor-Critic.\n\nhttps://in
 dico.math.cnrs.fr/event/16892/
URL:https://indico.math.cnrs.fr/event/16892/
END:VEVENT
END:VCALENDAR
