Apprentissage profond et proche infrarouge pour intensifier l'usage des méthodes spectroscopiques

Cette thèse exploite l'apprentissage profond sur des données de spectroscopie proche-infrarouge. Historiquement, la chimiométrie emploie la régression PLS, nécessitant un fort prétraitement, pour prédire des propriétés à partir de ces spectres. Ici, des réseaux convolutionnels profonds, inspirés de la vision par ordinateur, sont étudiés. Un nouveau modèle, Inception for Petroleum Analysis (IPA), améliore les performances, tout en s'affranchissant du besoin de prétraitement. Deux axes renforcent ces résultats : l'explicabilité, qui met en évidence les régions spectrales d'intérêt, et la quantification des incertitudes, validant une méthodologie d'apprentissage robuste face au décalage de données. Ces travaux démontrent le potentiel de l'apprentissage profond pour la chimiométrie. Enfin, IPA sera généralisé à d'autres applications issues de la chromatographie en phase gazeuse.