Dans le cadre des big-data, nous sommes très souvent amenés à traiter
un ensemble volumineux des données.
Dans la première partie, nous utilisons des algorithmes stochastiques,
afin de construire des estimateurs récursifs. L'intérêt majeur de ces
approches récursives est qu'elles permettent une mise à jour rapide
des estimateurs lorsque les données sont observées de manière
séquentielle sans être obligé de stoker en mémoire toutes les
observations passées.
Dans la deuxième partie, nous nous focalisons sur le problème de
l’estimation récursive d'une fonction de régression sur des données
fonctionnelles, nous présentons quelques résultats concernant le
comportement asymptotique de l'estimateur non-paramétrique proposé,
nous automatisons par la suite le paramètre de lissage et nous
comparons la méthode proposée à des méthodes existantes en utilisant
des données simulées et ensuite des données réelles.
Dans la troisième partie, nous abordons le problème de la
classification supervisée de courbes, nous soulignons le gain de
l’utilisation des approches récursives en utilisant des données
simulées et ensuite des données réelles.
Dans la quatrième partie, nous considérons le problème de la
classification non supervisée, nous proposons un exemple d’application
qui soulignent l’intérêt pratique de la méthode.