Mes travaux de recherche s’articulent autour de trois thématiques : l’apprentissage statistique pour le Big Data, l’analyse de données et la modélisation stochastique ainsi que l’estimation du risque via des modèles markoviens/semi-markoviens cachés.

Apprentissage statistique pour le Big Data

• Modèle linéaire généralisé
• Modèle à bruit gaussien fractionnaire

Mots clés : Données massives, données à haute fréquence, maximum de vraisemblance, méthode à un pas de Le Cam.

Analyse de données, modélisation et estimation pour les sciences de la vie et de la terre

• Analyse de données pour la Biodiversité
• Estimation Bayésienne pour les systèmes biologiques complexes
• Modélisation stochastique et estimation bayésienne pour les maladies infectieuses
• Modélisation stochastique pour la Géophysique

Modèles stochastiques:  modèles spatiaux-temporels, modèles markoviens cachés, modèles semi-markoviens (cachés), modèle de Poisson inhomogène.

Méthodes d'estimation: Bayésienne, maximum de vraisemblance, non-paramétrique, filtres particulaires, algorithme EM.

Mots clés : Analyse statistique, caractéristiques physico-chimiques, indices écologiques, bio-informatique, modèles de mélange Gaussien infini, systèmes biologiques complexes, approximation Bayésienne, bases de données cliniques, données massives, séismes, algorithme de Viterbi.

Estimation du risque de défaillance

• Temps moyen de défaillance
• Taux d'occurrence de défaillance

Mots clés : Indicateurs de risque, fiabilité, base des données publiques, surveillance, estimation du risque, probabilité de défaillance, temps de défaillance, modèles multi-états, données spatio-temporelles.