Directory Intranet
Chargement
ZHAO Zilong

Extractions de Connaissances de Données Macroéconomiques, d'images et de Données Non Fiables

 

Directeur de thèse :     Nicolas MARCHAND

Co-directeur de thèse :     Bogdan ROBU

École doctorale : Electronique, electrotechnique, automatique, traitement du signal (EEATS)

Spécialité : Automatique et productique

Structure de rattachement : Grenoble-INP

Établissement d'origine : UGA - Université Grenoble Alpes

Financement(s) : Contrat doctoral

 

Date d'entrée en thèse : 01/10/2017

Date de soutenance : 10/12/2020

 

Composition du jury :
Monsieur NICOLAS MARCHAND DIRECTEUR DE RECHERCHE AU CNRS, Directeur de la thèse
Madame MARY-FRANÇOISE RENARD PROFESSEUR, UNIVERSITÉ DE CLERMONT-AUVERGNE, AGRÉGÉE DE SCIENCES ÉCONOMIQUES, Rapportrice
Monsieur EDOUARD LAROCHE PROFESSEUR, UNIVERSITÉ DE STRASBOURG, Rapporteur
Monsieur DIDIER GEORGES PROFESSEUR, UNIVERSITÉ GRENOBLE-ALPES, Examinateur
Madame LYDIA Y. CHEN ASSOCIATE PROFESSEUR, TU DELFT, Examinatrice
Monsieur GUILLAUME MERCÈRE MAÎTRE DE CONFÉRENCES HDR À L'UNIVERSITÉ DE POITIERS, Examinateur
Monsieur LOUIS JOB PROFESSEUR ÉMÉRITE DE L'INSTITUT D'ÉTUDES POLITIQUES DE GRENOBLE, AGRÉGÉ DE SCIENCES ÉCONOMIQUES, Invité
Monsieur BOGDAN ROBU MAÎTRE DE CONFÉRENCES À L'UNIVERSITÉ GRENOBLE-APLES, Invité

 

Résumé :
L'identification de systèmes et l'apprentissage automatique sont deux concepts similaires mais utilisés indépendamment dans les communautés de l'automatique et de l'informatique pour construire des modèles mathématiques à partir de données entrée-sortie mesurées où sur des données d'entraînement (propres ou non). Les deux approches utilisent les modèles afin de prédire l'état futur du système, pour trouver des relations entre les données sans être explicitement programmées pour le faire ou pour contrôler le fonctionnement du système. La précision de prédiction, la vitesse de convergence et la stabilité sont des facteurs clés pour évaluer le processus d'apprentissage, en particulier dans le cas d'apprentissage en ligne, et ces propriétés ont déjà été bien étudiées et formalisées en théorie du contrôle. Les directions de recherche choisis dans cette thèse sont les suivantes : 1) identification du système et contrôle optimal sur des données économiques. 2) utiliser la théorie du contrôle pour améliorer l'apprentissage en ligne du réseau neuronal. 3) apprentissage automatique à partir de données non fiables.
RÉSUME DE THÈSE (Anglais)
System identification and machine learning are two similar concepts independently used in automatic and computer science community. System identification uses statistical methods to build mathematical models of dynamical systems from measured data. Machine learning algorithms build a mathematical model based on sample data, known as training data (clean or not), in order to make predictions or decisions without being explicitly programmed to do so. Except the final prediction accuracy of the model, converging speed and stability are another two key factors to evaluate the training process, especially in the online learning scenario, and these properties have already been well studied in control theory. Therefore, this thesis will implement the interdisciplinary researches for following topic: 1) system identification and optimal control on economic data. 2) using control theory to improve the online learning of deep neural network. 3) machine learning out of unreliable data.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31