Skip to Main content Skip to Navigation
Theses

Online stochastic algorithms

Résumé : Cette thèse travaille principalement sur trois sujets. Le premier concentre sur le clustering en ligne dans lequel nous présentons un nouvel algorithme stochastique adaptatif pour regrouper des ensembles de données en ligne. Cet algorithme repose sur l'approche quasi-bayésienne, avec une estimation dynamique (i.e., dépendant du temps) du nombre de clusters. Nous prouvons que cet algorithme atteint une borne de regret de l'ordre \sqrt{TlnT} et que cette borne est asymptotiquement minimax sous la contrainte sur le nombre de clusters. Nous proposons aussi une implémentation par RJMCMC. Le deuxième sujet est lié à l'apprentissage séquentiel des courbes principales qui cherche à résumer une séquence des données par une courbe continue. Pour ce faire, nous présentons une procédure basée sur une approche maximum a posteriori pour le quasi-posteriori de Gibbs. Nous montrons que la borne de regret de cet algorithme et celui de sa version adaptative est sous-linéaire en l'horizon temporel T. En outre, nous proposons une implémentation par un algorithme glouton local qui intègre des éléments de sleeping experts et de bandit à plusieurs bras. Le troisième concerne les travaux qui visent à accomplir des tâches pratiques au sein d'iAdvize, l'entreprise qui soutient cette thèse. Il inclut l'analyse des sentiments pour les messages textuels et l'implémentation de chatbot dans lesquels la première est réalisé par les méthodes classiques dans la fouille de textes et les statistiques et la seconde repose sur le traitement du langage naturel et les réseaux de neurones artificiels.
Complete list of metadatas

https://tel.archives-ouvertes.fr/tel-01970795
Contributor : Le Li <>
Submitted on : Sunday, January 6, 2019 - 10:51:14 AM
Last modification on : Monday, March 9, 2020 - 6:16:00 PM
Document(s) archivé(s) le : Sunday, April 7, 2019 - 12:25:17 PM

File

thèse_LeLI.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : tel-01970795, version 1

Citation

Le Li. Online stochastic algorithms. Machine Learning [stat.ML]. Université d'Angers, 2018. English. ⟨tel-01970795⟩

Share

Metrics

Record views

213

Files downloads

175