Marzia Angela Cremona

Chaire en apprentissage statistique 2025-2030

Marzia A. Cremona est professeure agrégée au Département d’Opérations et Systèmes de Décision (Faculté des Sciences de l’Administration) de l’Université Laval et chercheuse dans l’Axe Santé des Populations et Pratiques Optimales en Santé du Centre de Recherche de CHU de Québec. Elle est membre de l’Institut Intelligence et Données et du Centre Interuniversitaire de Recherche sur les Réseaux d’Entreprise, la Logistique et le Transport (CIRRELT), ainsi que du Center for Medical Genomics à la Pennsylvania State University (États-Unis).

Elle a obtenu un doctorat en Modèles et Méthodes Mathématiques pour l’Ingénierie du Politecnico di Milano (Italie) en 2016 et avant son arrivée à l’Université Laval en 2019 elle a travaillé à la Pennsylvania State University (États-Unis). Elle mène des recherches multidisciplinaires dans les domaines de l’apprentissage automatique et de la statistique appliquée. Ses recherches, financées par plusieurs organismes, dont le CRSNG, le FRQS et le CRSH, ont été publiées dans 22 articles évalués par les pairs et ont été diffusées dans plus de 60 présentations orales. Dans les dernières années, elle a monté et donné des cours en apprentissage automatique en sciences de l’administration et en finance, ainsi qu’en introduction à la simulation et à la visualisation.

La chaire en apprentissage statistique vise au développement de méthodes d’apprentissage statistique/automatique pour les données complexes dans les sciences biomédicales et sociales. En particulier, elle se concentre sur les données fonctionnelles, c’est-à-dire les données qui varient sur un continuum et peuvent être représentées sous forme de courbes ou de surfaces. L’objectif général est d’étendre le champ d’application des techniques d’analyse de données fonctionnelles en IA pour produire des méthodes qui reposent sur des racines statistiques solides et qui sont capables d’extraire les informations pertinentes de ces données dans plusieurs domaines.

Le programme de recherche de la chaire s’articule autour de quatre grands axes liés à l’élargissement du champ d’application des méthodes d’analyse de données fonctionnelles dans les sciences biomédicales et sociales. Les axes 1 et 2 concernent le développement de méthodes d’apprentissage non supervisé et supervisé pour les données fonctionnelles, qui peuvent être appliquées à des données provenant de plusieurs domaines, tandis que les axes 3 et 4 se concentrent sur l’exploitation des méthodes d’IA pour résoudre des problèmes spécifiques dans les sciences biomédicales et sociales.