Méthodes d'apprentissage statistique pour des données spatialement dépendantes

Statistical learning mehtods for spatially dependent data

• Auteur / Autrice : Cristina CHáVEZ CHONG
• Direction : Cécile Hardouin, Jesus eladio Sanchez garcia
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées et applications mathématiques
• Date : Inscription en doctorat le 04/12/2019
• Etablissement(s) : Paris 10 en cotutelle avec Institute of Cybernethics, Mathematics and Physics
• Ecole(s) doctorale(s) : École doctorale Connaissance, langage et modélisation
• Partenaire(s) de recherche : Laboratoire : Modélisation Aléatoire de Paris Nanterre

Mots clés

Mots clés libres

Données spatiales

Modélisation spatio-temporelle

Apprentissage

Sélection de modèle

Learning

Model selection

Spatial process

Spatio-temporal process

Résumé

L'objectif de la thèse est de résoudre un problème important en apprentissage statistique lorsque les données présentent une certaine structure de dépendance conditionnelle. Il s'agit d'une problématique majeure pour les données collectées dans de nombreux domaines (socio-économie spatiale, science de l'environnement ou encore du climat…) dans lesquels le bruit dans le modèle présente quasiment toujours une structure spatio-temporelle.

The goal of the thesis is to solve an important problem in statistical learning when the data presents a certain structure of conditional dependence. This is a major issue for data collected in many fields (socio-spatial economy, environmental science or climate ...) in which noise in the model almost always has a spatio-temporal structure.