::: :  Accueil  |  Recherche (Research)  |  Enseignement  |  Colles Maple  |  Colles Maths  |  Contact  : :::

 

Adresse
Faculté d'Economie, Gestion & AES (collège DSPEG)
Université de Bordeaux
16, Avenue Léon Duguit
33600 Pessac
France

E-mail
alexandre.lourme@u-bordeaux.fr

Tel
+33 (0)5 56 84 62 67

        Nouveau : Lourme A., Statistique pour la Licence, Lavoisier, Hermes Science, 2018.
Recherche Drapeau anglais Drapeau français
Centres d'intérêt

  • classification automatique

  • analyse discriminante

  • modèles de mélanges

    • mélanges gaussiens

    • mélanges de Student
      (données bruitées)

    • mélanges de Factor Analyzers (données en grande dimension)

    • modèle des classes latentes (données binaires)

  • lien entre populations

  • modèles parcimonieux

  • algorithme EM

  • applications :

    • biologiques

    • financières

La classification est l'art de diviser en classes homogènes une col­lec­tion d'objets sup­posée hé­té­rogène. Les ap­pli­ca­tions liées à cette (pré)oc­cu­pa­tion sont nombreuses : la bio­lo­gie clas­sifie les or­ga­nismes vi­vants (ta­xi­no­mie et sys­té­ma­ti­que), la lin­guis­tique clas­si­fie les langues (ty­po­lo­gie), l'éco­no­mie, les mar­chés (seg­men­ta­tion), la mé­de­cine, les ma­la­dies (no­so­lo­gie) etc.

L'usage de mélanges paramétriques est courant en classification ; ces modèles ex­pli­quent l'hé­té­ro­gé­né­ité des don­nées par leur gé­nèse et per­met­tent (i) de dé­fi­nir ri­gou­reu­sement la no­tion de classe, (ii) d'in­ter­pré­ter de fa­çon pro­ba­bi­liste des méthodes de parti­tion­nement tra­di­tio­n­nel­les et (iii) de pri­vi­lé­gier un ob­jec­tif dans la pro­cé­dure de clas­si­fi­cation : mo­dé­li­sa­tion des don­nées, in­ter­pré­ta­tion des clas­ses, com­pa­rai­son des class­es in­fé­rées avec une par­ti­tion ex­terne etc.

Ma thèse [LourmePhD.pdf] aborde deux as­pects de la clas­si­fi­ca­tion basée sur des mé­lan­ges.

D'une part elle pré­sente de nou­veaux mé­langes gaus­siens dont la par­ci­mo­nie porte sur des pa­ra­mè­tres d'in­ter­pré­ta­tion sta­tis­tique. Ces nouveaux mo­dè­les pos­sèdent des pro­pri­étés de sta­bi­li­té dont sont dé­pour­vus beau­coup de mé­langes plus classiques [PosTRV.pdf].

D'autre part elle pré­sente une mé­thode nou­vel­le dite de clas­si­fi­ca­tion si­mul­ta­née dont voi­ci le prin­cipe : clas­si­fier un échan­til­lon re­vient sou­vent à par­ti­tion­ner plusieurs échan­til­lons ; cet­te trans­for­ma­tion du con­texte de clas­si­fi­ca­tion permet gé­né­ra­lement, en éta­blis­sant un lien en­tre po­pu­la­tions, d'amé­lio­rer l'adé­qua­tion du mo­dè­le es­timé et la qua­li­té de la par­ti­tion in­fé­rée.

L'instabilité de modèles traditionnels, présentée d'abord comme un défaut, peut être vue comme un atout : elle permet de démultiplier facilement les modèles d'une famille en les combinant avec quelques transformations simples et d'élargir rapidement l'éventail des modéles utiles à la (co-)classification [PostUnits.pdf].

Logiciels

  • MixTRV : un paquet Matlab destiné à l'inférence de mélanges gaussiens dans les contextes suivants : tests d'hypothèse - analyse discriminante - classification semi-supervisée - classification non supervisée.

    Pour installer MixTRV il suffit de décompresser MixTRV.tar.gz dans le dossier work de Matlab. Le fichier whyTRV.pdf explique ce qui motive le développement de MixTRV et le manuel userguide.pdf montre comment l'utiliser.

Articles

  • Biernacki C. and Lourme A., Unifying Data Units and Models in (Co-)Clustering. 2017. [pdf]

  • Lourme A. and Maurer F., Testing the Gaussian and Student's t copulas in a risk management framework. Economic Modelling 2017. [pdf]

  • Biernacki C. and Lourme A., Stable and visualizable Gaussian parsimonious clustering models. Statistics and Computing, 23(5), 2013. [pdf]

  • Biernacki C. and Lourme A., Simultaneous Gaussian Model-Based Clustering for Samples of Multiple Origins. Computational Statistics, 28(1), 2013. [pdf]

  • Biernacki C. and Lourme A., Classification Simultanée de Plusieurs Echantillons sous Contrainte d'Egalité des Entropies de Partition. Journal de la SFdS, 152(3), 2011. [pdf]

  • Biernacki C. and Lourme A., Simultaneous t-Model-Based Clustering for Time Dependent Data: Application to a Study of the Financial Health of Corporations. Case Studies in Business, Industry and Government Statistics, 4(2), 2011. [pdf]

  • Biernacki C. and Lourme A., Simultaneous Gaussian Model-Based Clustering for Samples of Multiple Origins. preprint 70, VII, IRMA, Lille, 2010. [pdf]

Livres

  • Lourme A., Statistique pour la Licence, Ed. Lavoisier, Col. Hermes Science, 2018.

  • Beninel F., Biernacki C., Bouveyron C., Jacques J. & Lourme A., Knowledge Transfer: Practices, Types and Challenges (Chapter: Parametric Link Models for Transfer in Statistical Learning). Nova Publishers, 2012. [pdf]

Enseignement
Probabilités - Statistique - Applications

Mathématiques pour l'économie

Colles Maths

Voici des sujets de colles de mathématiques (au format pdf) données en section ATS.

colle 01   colle 02   colle 03   colle 04   colle 05   colle 06

colle 07   colle 08   colle 09   colle 10   colle 11   colle 12

colle 13   colle 14   colle 15   colle 16   colle 17   colle 18

colle 19   colle 20   colle 21   colle 22   colle 23   colle 24


Voici d'autres sujets de colles de mathématiques (au format pdf) données en section MPSI.

colle 01   colle 02   colle 03   colle 04   colle 05   colle 06

colle 07   colle 08   colle 09   colle 10   colle 11   colle 12

colle 13   colle 14   colle 15   colle 16   colle 17   colle 18

colle 19   colle 20   colle 21   colle 22   colle 23   colle 24

Mise a jour en cours