Les méthodes d’apprentissage automatique ont connu un développement rapide ces dernières années. Plusieurs algorithmes avec de bonnes performances statistiques ont été proposés. Cependant certaines de ces méthodes nécessitent des ressources computationnelles importantes et parfois prohibitives. Ce problème a suscité la curiosité de nombreux chercheurs qui se sont intéressés aux compromis statistiques computationnels.

Ces études ont été abordées sous plusieurs angles. Par exemple, en associant les performances statistiques aux classes de complexité en temps et en espaces de stockage

des algorithmes. Un autre formalisme considère les problèmes d’apprentissage classiques sous contrainte de budget computationnel.

Mon objectif lors de ma thèse est d’étendre ces résultats qui prennent en compte à la fois les aspects statistiques et computationnels, notamment dans le cas de la sélection de

modèle qui a été peu abordée dans ce contexte.