- Apprentissage :
- Réseaux de neurones : développement d’une méthode d’apprentissage économe et application à l’optimisation de fonctions coûteuses à évaluer.
-
SVM (Support Vector Machines) : comparaison de différentes formulations et réinterprétation dans un environnement multi-agents.
- Optimisation :
- Développement et étude d’un algorithme combinant méthodes de points intérieurs et techniques de quasi-Newton pour résoudre des problèmes d’optimisation fortement convexes.
- Application et comparaison de méthodes d’optimisation rapides pour résoudre différentes formulations d’apprentissage par SVM (Support Vector Machines)
- Commande optimale :
- Etude numérique d’un problème de commande optimale issu d’expériences réelles menées dans le cadre de l’éco-marathon Shell.
- Commande optimale pour la gestion d’un moteur hybride.
Plus anciens :
- Estimation de paramètres :pendant ma thèse, estimation de paramètres (perméabilités relatives) dans un système d’EDP non linéaires, collaboration avec l’IFP (Institut Français du Pétrole).
- Calcul formel : pendant ma thèse, écriture en MAPLE d’un générateur de gradients, utilisé pour la résolution de problèmes inverses.