Soutenance de thèse

Apprentissage Bayésien : Fondations, Méthode et Applications.

Amphithéâtre principal
INRIA Grenoble - Rhône-Alpes
Inovallée - 655 avenue de l'Europe
Montbonnot - 38 334 Saint Ismier Cedex France
Téléphone : 04 76 61 52 00
Venir à l'inria

Mardi 18 décembre 2007
14h00

Version provisoire (5,6 Mo, pdf)

Version définitive (5,6 Mo, pdf)

Vous lancez cinq fois une pièce de monnaie et, surprise, vous obtenez cinq « Piles ». Que ce passera-t-il au sixième lancé ? En amateur de casino vous pourriez vous dire que « pour se rattraper » la pièce fera certainement un « Face ». Ou peut-être que vous avez un peu étudié la théorie des probabilités et, comme les lancés sont indépendants, vous concluez qu'il y a une chance sur deux de refaire « Pile ». Mais n'est-il pas étonnant qu'une pièce donne cinq fois de suite la même chose ? Ne serait elle pas truquée ?  Elle pourrait par exemple avoir deux cotés « Pile ». A priori, vous pensiez que la pièce était équilibrée, mais ces données étonnantes devraient vous faire changer d'avis.
 
L'inférence bayésienne est une méthode permettant de répondre rigoureusement à ce genre de problèmes. Pour cela, elle utilise la notion de probabilité, non pas comme une limite de fréquences objectives, mais pour modéliser les degrés de croyance subjectifs d'un agent.

Notre travail de thèse présente cette méthode, ses fondations philosophiques et plusieurs applications innovantes. Dans ce cadre, nous étudions plus particulièrement la notion d'apprentissage.
Dans un premier temps, nous nous intéressons à l'apprentissage de paramètres, comme par exemple le biais d'une pièce. Nous proposons une méthode bayésienne pour classer les joueurs d'échecs qui améliore sensiblement le système ELO actuellement employé. Le classement produit permet d’étudier des questions intéressantes comme celle de savoir qui fut le meilleur joueur de tous les temps. Nous étudions aussi un système de filtrage collaboratif dont le but est de prévoir les goûts cinématographiques d'utilisateurs en fonction de leurs préférences passées.

La deuxième partie de notre travail concerne l'apprentissage de modèles. D'abord nous nous intéressons à la sélection de variables pertinentes dans le cadre d'une application robotique. D'un point de vue cognitif, cette sélection permet au robot de transférer ses connaissances d'un domaine sensorimoteur vers un autre. Finalement, nous proposons une méthode permettant de créer automatiquement de nouvelles variables cachées, afin de mieux modéliser l'environnement d'un robot.

Remarque : lors de la soutenance, nous ne décrirons que le classement des joueurs d’échecs et la création de nouvelles variables.

  Dr. Augustin Lux (Professeur de l'INPG, Grenoble)

  Dr. Roderick Edwards (Associate Professor, University of Victoria, Canada)
  Dr. Philippe Leray (Professeur de l’Ecole Polytechnique Universitaire de Nantes)

  Dr. Guillaume Bouchard (Chercheur, Xerox Research Centre Europe)

  Dr. Pierre Bessière (Directeur de Recherche INRIA, Grenoble)