GIPSA-lab
Campus universitaire
961 rue de la Houille Blanche - BP46
F-38402 GRENOBLE Cedex
UMR 5612
CNRS, Grenoble INP,
UJF, Stendhal
Le traitement du biais (composante à l’équilibre)
L’estimation de la complexité (ordre du modèle)
L’estimation des paramètres du modèle
La validation (statistique) du modèle
La fouille de données active (par excitation exogène du système)
Ces algorithmes seront ensuite évalués comparativement sur des bases de données
disponibles (benchmarking) de l’Insee, l’Eurostat, la Banque Mondiale, le FMI, le World
Wealth & Income Database en utilisant les algorithmes développées dans le cadre du projet
ainsi que les logiciels spécialisées existants comme IBM Watson Analytics
et Dataiku
. En
fonction des résultats des améliorations sur la prédiction du logiciel Dataiku DSS pourrait
être envisagée dans le cadre de la collaboration.
KEYWORDS : adaptive modelling, applied economics, knowledge extraction,
machine learning.
BOURSE : OUI, bourse déjà acquise dans le cadre du projet IRS DATE.
INFORMATIONS : Le chercheur doctorant recruté travaillera en collaboration avec IBM
autour de leur produit IBM Watson Analytics ainsi qu’avec l’entreprise Dataiku.
DATE DE DEBUT DE LA THESE : septembre 2017
DATE LIMITE DE CANDIDATURE : 10.06.2017
PUBLICATIONS :
1. Abbas, M. &. (2012). L’OMC et le système commercial international.
Développements récents en Economie et Finances Internationales, A.Colin.
2. Åström, K. J. (1979). Adaptive Control. Report TFRT.
3. Bourbonnais, R. &. (2008). Analyse des séries temporelles. Dunod.
4. Han, J. a. (2011). Data mining: concepts and techniques. MA, USA: Elsevier.
5. Hastie, T., & al. (2009). The Elements of Statistical Learning, Data Mining, Inference,
and Prediction. Springer New York.
6. Job, L., & Asghari, M. (2008). Trade, Environmental Policy and Environmental
Quality. International Conference Cerdi. Clermont-Ferrand.
7. Landau, I., & al. (2011). Adaptive Control. Second edition, Springer.
8. Lardic, S., & Mignon, V. (2002). Econométrie des séries temporelles
macroéconomiques et financières. Economica.
9. Mitchell, T. M. (1997). Machine learning. Burr Ridge, IL: McGraw Hill.
10. Saridis, G. (1970). Learning Applied to Successive Approximation Algorithms. IEEE
Transactions on Systems Science and Cybernetics, Volume: 6, Issue: 2, 97-103.
11. Zhu, X., & Goldberg, B. A. (2009). Introduction to semi-supervised learning.
Synthesis lectures on artificial intelligence and machine learning, 1-130.
http://www.ibm.com/analytics/us/en/technology/advanced-analytics/#products
https://www.dataiku.com/