aide
Accueil > Formations > Master MVA > Présentation des cours
Théorie des matrices aléatoires et apprentissage
.
Intervenant : Romain Couillet (CentraleSupélec)-Jamal Najim (CNRS & Université Paris Est)
Objectif du cours :
Introduction à la théorie des grandes matrices aléatoires et en particulier à ses applications au traitement du signal et à l'apprentissage.
Thèmes abordés :
(La présentation des aspects méthodologiques et applicatifs est volontairement différenciée - les deux aspects seront intégrés dans le cadre du cours)
1 - Théorie des grandes matrices aléatoires
- techniques de base: calcul matriciel gaussien, transformée de Stieltjes, inégalité de Poincaré-Nash, G-estimation.
- théorème de Marcenko-Pastur décrivant le comportement de la mesure empirique des valeurs propre d'une grande matrice de covariance empirique.
- théorème de Tracy-Widom décrivant les fluctuations de la plus grande valeur propre d'une grande matrice de covariance empirique
- Modèles spécifiques aux applications en statistiques: modèles structurés (modèle signal + bruit, à profil de variance, à matrice de population). modèles à petites perturbations (modèles spiked)
2 - Applications au traitement du signal et à l'apprentissage
Pré-requis :
Cours de probabilité.
Organisation des séances :
- 9 séances de 2 heures de cours/co
- 3 séances de 2 heures de TP
Références :
- G. W. Anderson, A. Guionnet, and O. Zeitouni. An introduction to random matrices, volume 118 of Cambridge Studies in Advanced Mathematics. Cambridge University Press, Cambridge, 2010.
- R. Couillet and M. Debbah. Random matrix methods for wireless communications. Cambridge University Press, 2011.
- T. Tao. Topics in random matrix theory, volume 132 of Graduate Studies in Mathematics. American Mathematical Society, Providence, RI, 2012.
Plus d'information...