Aurélie Fischer

Adresse :
UFR de Mathématiques
Bâtiment Sophie Germain
75205 Paris Cedex 13
France

Bureau : 504

Tél. : 01 57 27 91 10

Courriel : aurelie.fischer -at- u-paris.fr

English version of this page.

Mon CV.

• Depuis 2024 : Professeur au LPSM à l'Université Paris Cité, dans l'équipe Statistique, Données, Algorithmes.
• 2012-2024 : Maître de conférences au LPMA à l'Université Paris Diderot, puis au LPSM à l'Université Paris Cité.
• 2011-2012 : Attachée temporaire d'enseignement et de recherche au laboratoire MAP5 et au département STID de l'IUT Paris Descartes.
• 2008-2011 : Allocataire de recherche et monitrice au LSTA à l'Université Pierre et Marie Curie.

Thèse effectuée sous la direction de Gérard Biau, soutenue en juin 2011.

Mémoire d'Habilitation à Diriger des Recherches, présenté en juin 2022.

Apprentissage statistique supervisé et non supervisé :

• Quantification, clustering
• Divergences de Bregman
• Courbes principales
• Grande dimension
• Sélection de modèle
• Agrégation d'estimateurs
• Applications en sciences du climat et en sociologie

Avec Rym Msadek et Corentin Herbert, nous sommes co-responsables du GdR Théorie et Climat.

Lien vers la page du projet.

Initiative de la FSMP et de la FMJH, dans le cadre des Cluster IA, MATH&AI in Paris est un portail d'information sur les formations, offres de thèse/post-doc et événements dans le domaine des Mathématiques à l'interface avec l'Intelligence Artificielle en région parisienne.

• Fischer, A. (2010). Quantization and clustering with Bregman divergences, Journal of Multivariate Analysis, Vol. 101, p. 2207-2221.
• Fischer, A. (2011). On the number of groups in clustering, Statistics and Probability Letters, Vol. 81, p. 1771–1781.
• Biau, G. & Fischer, A. (2012). Parameter selection for principal curves, IEEE Transactions on Information Theory, Vol. 58, p. 1924-1939.
• Auder, B. & Fischer, A. (2012). Projection-based curve clustering, Journal of Statistical Computation and Simulation, Vol. 82, p. 1145-1168.
• Fischer, A. (2013). Selecting the length of a principal curve within a Gaussian Model, Electronic Journal of Statistics, Vol. 7, p. 342-363.
• Alsheh Ali, M., Seguin., J, Fischer, A., Mignet, N., Wendling, L. and Hurtut, T. (2013). Comparison of the spatial organization in colorectal tumors using second-order statistics and functional ANOVA, ISPA 2013.
• Fischer, A. (2014). Deux méthodes d’apprentissage non supervisé : synthèse sur la méthode des centres mobiles et présentation des courbes principales, Journal de la Société Française de Statistique, Vol. 155(2), p. 2-35.
• Dedecker, J., Fischer, A. and Michel, B. (2015). Improved rates for Wasserstein deconvolution with ordinary smooth error in dimension one, Electronic Journal of Statistics, Vol. 9, p. 234-265.
• Fischer, A. (2015). On two extensions of the vector quantization scheme, Journal de la Société Française de Statistique, Vol. 156(1), p. 51-75.
• Biau, G., Fischer, A., Guedj, B. and Malley, J. (2016). COBRA: A combined regression strategy, Journal of Multivariate Analysis, Vol. 146, p. 18-28.
• Fischer, A., Montuelle, L., Mougeot, M. and Picard, D. (2017). Statistical learning for wind power : a modeling and stability study towards forecasting, Wind Energy, Vol. 20, p. 2037–2047.
• Alonzo B., Plougonven R., Mougeot M., Fischer, A. Dupre, A. and Drobinski, P. (2018). From Numerical Weather Prediction outputs to accurate local surface Wind speed : statistical modelling and forecasts, In Renewable Energy : Forecasting and Risk Management, Springer Proceedings in Mathematics & Statistics.
• Fischer, A. & Mougeot, M. (2019). Aggregation using input-output trade-off, Journal of Statistical Planning and Inference, Vol. 200, p. 1-19.
• Delattre, S. & Fischer, A. (2020). On principal curves with a length constraint, Annales de l'Institut Henri Poincaré, Vol. 56, p. 2108-2140.
• Fischer, A. & Picard, D. (2020). On change-point estimation under Sobolev sparsity, Electronic Journal of Statistics, Vol. 14, p. 1648-1689.
• Brécheteau, C., Fischer, A. & Levrard, C. (2020). Robust Bregman Clustering, The Annals of Statistics, Vol. 49, p. 1679-1701.
• Goutham, N., Alonzo, B., Dupré, A., Plougonven, R., Doctors, R., Liao, L., Mougeot, M., Fischer, A. and Drobinski, P. (2021). Using machine learning methods to improve surface wind from the outputs of a Numerical Weather Prediction model, Boundary-Layer Meteorology, Vol. 179, p. 133-161.
• Fischer, A., Has, S. and Mougeot, M. (2021). A clusterwise supervised learning procedure based on aggregation of distances, Journal of Statistical Computation and Simulation, Vol. 91, p. 2307-2327.
• Kluth, G., Ripoll, J.-F., Has, S., Fischer, A., Mougeot, M. and Camporeale, E. (2022). Machine Learning Methods Applied to the Global Modeling of Event-Driven Pitch Angle Diffusion Coefficients During High-Speed Streams, Frontiers in Physics, Space Physics.
• Delattre, S. & Fischer, A. (2024). Estimation via length-constrained generalized empirical principal curves under small noise.
• Has, S., Plougonven, R., Fischer, A., Rani, R., Lott, F., Hertzog, A., Podglajen, A. and Corcos, M. (2024). Reconstructing balloon-observed gravity wave momentum fluxes using machine learning and input from ERA5, Journal of Geophysical Research: Atmospheres, 129.
• Delattre, S. & Fischer, A. (2024). Convergence rates in curve estimation.

• Cours Introduction to Machine Learning (M2 MO + MIDS).

Lien vers la page du cours d'Introduction au Machine Learning sur Moodle.

• Cours d'Apprentissage Statistique (M2 ISIFAR).

Lien vers la page du cours d'Apprentissage Statistique sur Moodle.

• Cours AI & Society (M1) à Sciences Po.

• Projets M1 MFA

Lien vers la page des projets sur Moodle.

Lien vers la page du Double M2 MIDS.

Lien vers la page du M2 MIADS, qui peut être suivi en alternance.

Lien vers le portail Moodle M1 MIC - MIDS et le portail portail Moodle M2 MIDS-MIADS.