• Scoring, ranking, théorie et algoritmes
• Inférence et prédiction pour de très grands graphes
• Plans d'expériences séquentiels et apprentissage actif
• Méthodes de machine learning pour des séries temporelles multivariées
• Applications sur données réelles : reconnaissance de formes, e-marketing, énergie, finance et économie, santé et domaine biomédical, réseaux de capteurs
  

C'est le dernier né des pôles de recherche du CMLA, créé en janvier 2012 autour des chercheurs actifs dans le domaine des modèles prédictifs calibrés sur des données complexes. Les chercheurs ont une formation de haut niveau en théorie de l'apprentissage statistique et algorithmes de machine learning. La motivation de leurs travaux de modélisation repose sur un double constat :

1. Le monde a changé - L'expert du phénomène ne peut se dispenser d'un support statistique pour analyser pleinement un phénomène.
2. La connaissance de la "physique" du phénomène n'est pas remplaçable - Les méthodes d'apprentissage statistique ne peuvent pas grand chose sans le support de l'expert du métier.

Ainsi, nos chercheurs sont généralement immergés dans des équipes interdisciplinaires, en entreprise ou en laboratoire, et développent des algorithmes en bonne intelligence avec les utilisateurs finaux.