Fondations, méthode et applications de l`apprentissage bayésien.

Fondations, m´ethode et applications de l’apprentissage
bay´esien.
Pierre-Charles Dangauthier
To cite this version:
Pierre-Charles Dangauthier. Fondations, m´ethode et applications de l’apprentissage bay´esien..
Interface homme-machine [cs.HC]. Institut National Polytechnique de Grenoble - INPG, 2007.
Fran¸cais. <tel-00267643>
HAL Id: tel-00267643
https://tel.archives-ouvertes.fr/tel-00267643
Submitted on 28 Mar 2008
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of sci-
entific research documents, whether they are pub-
lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destin´ee au d´epˆot et `a la diffusion de documents
scientifiques de niveau recherche, publi´es ou non,
´emanant des ´etablissements d’enseignement et de
recherche fran¸cais ou ´etrangers, des laboratoires
publics ou priv´es.

INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE
Noattribué par la bibliothèque
|||||||||||
Thèse
pour obtenir le grade de
DOCTEUR DE L’INPG
Spécialité : Imagerie, Vision, Robotique
préparée au Laboratoire d’Informatique de Grenoble et à l’INRIA Rhône-Alpes,
dans le cadre de l’École doctorale Mathématiques, Sciences et Technologies de
l’Information, Informatique
présentée et soutenue publiquement par
Pierre-Charles DANGAUTHIER
le 18 Décembre 2007
Titre :
Fondations, méthode et applications de l’apprentissage bayésien.
Directeurs de thèse :
Pierre Bessière
Composition du jury :
M. Augustin Lux Président
M. Roderick Edwards Rapporteur
M. Philippe Leray Rapporteur
M. Pierre Bessière Directeur de thèse
M. Guillaume Bouchard Examinateur

ii

Remerciements
Je souhaite tout d’abord remercier mon directeur de thèse, Pierre Bessière, pour la
confiance et la sympathie qu’il m’a accordées. Merci de m’avoir fait découvrir les probabi-
lités subjectives ; merci de m’avoir guidé, encouragé et conseillé tout au long de ce travail
scientifique.
Je remercie aussi chaleureusement les membres du jury pour m’avoir fait l’honneur
d’assister à ma soutenance. Merci Rod d’être venu de si loin pour partager votre expertise
des classements échiquéens, merci Philippe pour vos intéressants commentaires sur le ma-
nuscrit, et merci Guillaume pour avoir relu en détails certains passages mathématiques et
pour avoir partagé avec moi votre connaissance du domaine de l’apprentissage statistique.
D’autre part, je tiens tout particulièrement à remercier Ralf Herbrich et Thore Graepel
pour m’avoir accueilli au sein de leur équipe de Microsoft Research durant trois mois à
Cambridge. Ce fut un séjour extrêmement stimulant au cours duquel j’ai pu acquérir des
connaissances nouvelles sur les modèles graphiques et l’inférence approchée. Le moteur de
classement TrueChess est issu de cette rencontre ; c’est une extension du modèle TrueSkill
développé pour le X-Box Live. Merci à Tom Minka pour EP et merci à Don Syme pour
m’avoir initié à son langage F#.
Je n’oublie pas tous les membres de l’équipe E-Motion de Grenoble, qui m’ont accueilli,
et stimulé pendant ce travail de thèse. Merci à Christian Laugier pour l’encadrement de
cette équipe et à tous les doctorants pour les discussions enrichissantes que nous avons
pu partager. Je pense aussi particulièrement à Anne Spalanzani pour sa participation au
projet de sélection de capteurs.
Merci à Pau pour les discussions nocturnes sur la métaphysique en général et sur les
mathématiques en particulier. Merci pour toutes ses heures de sommeil manquées, spécia-
lement lors de notre travail sur la compétition Netflix.
Merci à mes relecteurs : Maud, Stéphanie, Thomas, Christophe, Amaury et Christopher.
Enfin, j’adresse un grand merci à ma famille et mes amis qui m’ont soutenu durant tout
ce temps. Thérèse et Jean-Philippe, cette thèse vous est dédiée.
iii

iv