Effectuer une recherche dans un cadre hiérarchique ordonné peut améliorer l'efficacité de la recherche. Cependant, la manière de configurer la structure de données pour prendre en charge ce type de recherche n'est pas évidente au premier abord. Dans cette partie du cours, nous explorons comment définir une « marche biaisée », basée sur des informations, afin de repérer rapidement un élément « qui ne va pas ». À partir de ce concept de parcours le long d'une structure arborescente, nous nous pencherons ensuite sur la meilleure façon de configurer cette structure arborescente.

De nombreuses applications concrètes comportent des espaces d'actions et/ou d'hypothèses extrêmement vastes. Pour mettre en œuvre les idées de Chernoff, il faut disposer d'un moyen d'appliquer rapidement ces algorithmes à grande échelle. Dans cette série de documents, nous examinons comment les approximations peuvent fonctionner et comment les idées de Chernoff ont été étendues à différents types de problèmes.

Les idées que nous avons explorées peuvent également s'appliquer à des tranches de données collectées à différents moments, à l'amélioration des examens IRM et à la conception de protéines moléculaires. Ces applications ont toutes en commun le principe consistant à recourir à des tests d'hypothèses séquentiels pour améliorer la compréhension. De plus, ces trois idées font actuellement l'objet d'un développement actif de code.

Au cours de cette cinquième semaine, nous allons voir comment aller au-delà du simple « cas atypique » pour passer à la vérification de plusieurs hypothèses sur des flux de données. Cela peut concerner, par exemple, la détermination de la posologie d'un médicament ou l'identification d'objets dans un ensemble d'images.