Cette thèse traite principalement de trois sujets. Le premier concentre sur le clustering en ligne dans lequel nous présentons un nouvel algorithme stochastique adaptatif pour regrouper des ensembles de données en ligne.Cet algorithme repose sur l'approche quasi‐bayésienne, avec une estimation dynamique (i.e., dépendant du temps)du nombre de clusters. Nous prouvons que cet algorithme atteint une borne de regret de l'ordre \sqrt{T\ln T} et que cette borne est asymptotiquement minimax sous la contrainte sur le nombre de clusters. Nous proposons aussi une implémentation par RJMCMC.
Le deuxième sujet est lié à l'apprentissage séquentiel des courbes principales qui cherche à résumer une séquence des données par une courbe continue.
Pour ce faire, nous présentons une procédure basée sur une approche maximum a posteriori pour le quasi‐posteriori de Gibbs. Nous montrons que la borne de regret de cet algorithme et celui de sa version adaptative est sous‐linéaire en l'horizon temporel T. En outre, nous proposons une implémentation par un algorithme glouton local qui intègre
des éléments de sleeping experts et de bandit à plusieurs bras.
Le troisième concerne les travaux qui visent à accomplir des tâches pratiques au sein d'iAdvize, l'entreprise qui soutient cette thèse. Il inclut l'analyse des sentiments pour les
messages textuels et l'implémentation de chatbot dans lesquels la première est réalisé par les méthodes classiques dans la fouille de textes et les statistiques et la seconde repose sur le traitement du langage naturel et les réseaux de neurones artificiels.