Abstract FR:

Cette thèse propose plusieurs outils novateurs pour l'apprentissage statistique supervisé. Elle définit l'approche générative dans un cadre de classification. Les deux principales manières d'estimer les paramètres sont introduites et analysées. Les mélanges de régressions, aussi appelés mélanges d'experts (ME) sont étudiés. Le choix d'un modèle probabiliste pour l'analyse discriminante est étudié. Un nouveau type d'estimation des modèles génératifs est proposé-: un intermédiaire entre l'estimation générative et discriminative (Generative-Discriminative Tradeoff, GDT). Un exemple d'application des méthodes génératives à la catégorisation d'objets en vision par ordinateur est donné. Un exemple d'application de l'apprentissage supervisé à la fiabilité industrielle est étudié. Enfin, un estimateur à noyau permettant de résoudre le problème de l'estimation de frontière est proposé.