Accueil🇫🇷Chercher

Mauro Maggioni

Mauro Maggioni est un mathématicien italien puis américain, spécialisé dans les techniques mathématiques pour l'analyse, la modélisationn et l'extraction d'information à partir de grands ensembles de données qui conduisent à améliorer les algorithmes d'apprentissage machine.

Mauro Maggioni
une illustration sous licence libre serait bienvenue
Biographie
Formation
Activité
Autres informations
A travaillé pour
Membre de
Directeurs de thèse
Guido Weiss (en), Edward Nathan Wilson (d)
Distinctions

Formation et carrière

Mauro Maggioni étudie à l'Università degli Studi di Milano où il obtient son bachelor of science puis son master en mathématiques. Il obtient son doctorat à l'Université de Washington à St. Louis en 2002 avec une thèse intitulée « On the Discretization of Continuous Wavelet Transforms and Frames Â» sous la direction de Guido Leopold Weiss et Edward Nathan Wilson[1]. Il travaille à l'université Yale en tant que Gibbs Assistant Professor, puis à l'université Duke en 2006 et à l'université Johns-Hopkins où il occupe une chaire Bloomberg[2].

Travaux

Avec Ronald Coifman à l'université Yale, il introduit pour la première fois en 2004 les ondelettes de diffusion (en)[3]. Il a travaillé sur leurs applications en apprentissage par renforcement[4].

Prix et distinctions

Il est élu fellow de l'American Mathematical Society en 2013[5]. Il est lauréat en 2007 du prix Popov.

Publications

  • Mauro Maggioni et Mahadevan, Sridhar « Fast Direct Policy Evaluation using Multiscale Analysis of Markov Diffusion Processes » () (lire en ligne)
    —The 23rd International Conference on Machine Learning

Références

  1. (en) « Mauro Maggioni », sur le site du Mathematics Genealogy Project
  2. Messersmith, Julie. "Big data scientist named 20th Bloomberg Distinguished Professor at Johns Hopkins", JHU Hub, Baltimore, 14 avril 2016.
  3. Ronald Coifman et Mauro Maggioni, « Diffusion Wavelets », Applied and Computational Harmonic Analysis, vol. 24, no 3,‎ , p. 329–353 (lire en ligne [archive du ])
  4. Sridhar Mahadevan et Maggioni, Mauro, « Value Function Approximation using Diffusion Wavelets and Laplacian Eigenfunctions », Advances in Neural Information Processing Systems,‎ (lire en ligne)
  5. Notice à Johns-Hopkins

Liens externes

Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.