Nous proposons des techniques adaptatives en apprentissage statistique permettant de transférer l'information acquise sur une population de référence P vers une population cible P*. Etant donné un échantillon d'individus issu d'une population P, décrits par des variables explicatives et regroupés en classes définies a priori, la classification supervisée consiste à construire une règle de classement de ces individus, qui sera utilisée pour classer de nouveaux individus dont la classe serait inconnue. Mais lorsque ces individus sont issus d'une population P* différente de celle qui a servi à l'apprentissage de la règle de classement, cette dernière n'est plus utilisable. En établissant un lien entre P et P*, il devient possible d'estimer la nouvelle règle de classement de façon parcimonieuse. Nous verrons comment ce lien peut être défini dans le cas de données continues puis de données binaires. Dans un cadre de régression, cette idée sera reprise afin de permettre d'obtenir une estimation peu coûteuse d'un modèle de régression sur une population cible, en utilisant l'information relatée par un modèle sembable mais établi sur la population de référence. Références : C. Bouveyron & J. Jacques, Adaptive linear models in regression, Preprint HAL n°00305987, Equipe SAMOS, Université Paris 1 Panthéon-Sorbonne, July, 2008. Julien Jacques. Université Lille 1. Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/ufr27statim/UFR27STATIM-20090122-Jacques/UFR27STATIM-20090122-Jacques.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 54 mn