Conférenciers invités

Gérard Biau est professeur à l’Université Sorbonne (LPSM) et directeur du Sorbonne Center for Artificial Intelligence (SCAI). Spécialiste de la statistique et du machine learning, il a été président de la Société Française de Statistique (2015–2018), membre de l’Institut Universitaire de France et élu à l’Académie des Sciences en 2024.

Adeline Fermanian est Head of Research chez Califrais à Paris depuis avril 2023, où elle conduit des projets alliant machine learning, optimisation logistique et écologie pour décarboner la chaîne agroalimentaire. Elle est titulaire d’un doctorat en statistiques de Sorbonne Université (2021), avec un post‑doctorat au Centre de Biologie Computationnelle de Mines ParisTech.

Sarah Filippi est professeure en apprentissage statistique à Imperial College London. Elle développe des méthodes bayésiennes pour la modélisation de données biologiques et médicales. Ses recherches portent sur l’incertitude, la causalité et l’interprétabilité. Elle co-dirige le Centre doctoral EPSRC en statistique et machine learning.

Adrian E. Raftery est professeur émérite de statistique et de sociologie, titulaire de la chaire Blumstein–Jordan à l’Université de Washington. Fondateur du Center for Statistics and the Social Sciences, il est reconnu pour ses travaux sur la sélection de modèles bayésiens, le model averaging et la prévision probabiliste en démographie, climat et épidémiologie. Il est membre de la National Academy of Sciences.

Andrea Rau est directrice de recherche en statistique et génomique à l’INRAE (Jouy-en-Josas). Elle développe des méthodes pour l’analyse de données à haut débit et multi-omiques, en particulier via des outils R/Bioconductor. Titulaire d’un doctorat en statistique de Purdue University (2010), elle est aussi engagée dans le développement de logiciels open source pour la génomique.

Tabea Rebafka est professeure des universités en machine learning et statistique à AgroParisTech (Institut polytechnique de Paris) et adjointe au directeur du LPSM, Sorbonne Université. Elle conçoit des méthodes de modélisation avancée pour les données complexes (réseaux, tests multiples, estimation non paramétrique), avec de récentes contributions sur le clustering de graphes et les algorithmes stochastiques mini‑batch.

Vincent Rivoirard est professeur à l’Université Paris Dauphine–PSL depuis 2010, spécialisé en statistique non paramétrique et en statistique en grande dimension, en s’appuyant à la fois sur des approches bayésiennes et fréquentistes. Il a été directeur du laboratoire Ceremade de 2016 à 2022. Ses travaux trouvent des applications en neurosciences, en génétique et en biologie.

Pierre Tandeo est professeur à IMT Atlantique (Brest) et chercheur au laboratoire CNRS STICC, avec une affiliation à l’institut RIKEN au Japon. Spécialiste de l’assimilation de données, de la télédétection et de la quantification d’incertitude, il développe des méthodes en apprentissage pour l’océanographie et le climat. Il dirige également le master « Ocean Data Science ».

Nicolas Vayatis est professeur, doyen du département de mathématiques et directeur du Centre Borelli à l’École normale supérieure Paris‑Saclay, où il dirige des recherches en machine learning et analyse de données massives. Expert en statistiques haute dimension, modélisation prédictive, réseaux et incertitude, il développe des méthodes appliquées en santé, industrie et transport.