Dans ce travail nous utilisons des méthodes de régularisation pour la résolution de problèmes inverses mal posés. La principale difficulté dans l'application d'une méthode de régularisation est la détermination du paramètre de régularisation. L'approche choisie dans ce travail s'appuie sur des outils de la théorie de sélection de modèles. Nous discutons de la façon dont un grand nombre de méthodes de régularisation, originalement conçues pour résoudre des problèmes inverses mal posés, se traduise en des algorithmes d'apprentissage (comme par exemple les SVM). Tous ces algorithmes sont des méthodes à noyaux qui peut être facilement mis en oeuvre. Nous présentons quelques exemples des ces méthodes de régularisations et nous discuterons leur applicabilité à des problèmes industriels. Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/UFR27semSAMOS/SemSamos20090227FerminKarina/SemSamos20090227FerminKarina.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 1h27