Informations générales

Erwan Le Pennec est né le 4 mai 1976 à Courbevoie (92).

Parcours 

2013 : Professeur Associé, École polytechnique, Département de Math Appliquées / CMAP. 
Porteur de la chaire Data scientist créé par l’École polytechnique, Keyrus, Orange et Thalès et portée par la fondation de l’X. En détachement de l’INRIA. 
2010-2013 : Chargé de recherche à l’INRIA Saclay, Projet SELECT. 
Habilitation à Diriger des Recherches, Université Paris Sud, Some (statistical) applications of Ockham’s principle (soutenue le 19 mars 2013) 
2004-2010 : Maître de Conférence, Université Paris Diderot (Paris 7), Laboratoire de Probabilités et Modèles Aléatoires (équipe de Statistique). 
2002-2004 : Post-doctorant, École Polytechnique, CMAP. 
Contrat avec Let It Wave, entreprise créée par S. Mallat, Ch. Bernard, J. Kalifa et E. Le Pennec dans le domaine du traitement d’images. Let It Wave a reçu en 2002 le premier prix national de l’innovation du Ministère de la Recherche et de l’ANVAR. 
Contrat avec la DGA (Apprentissage et classification de signaux par réseaux de bandelettes et matching-pursuit).
1998-2002 :  Doctorant, École polytechnique, CMAP. Thèse sous la direction de Stéphane Mallat (Bandelettes et représentation géométrique des images) financée par une bourse AMN et un contrat avec Alcatel Space (soutenue le 19 décembre 2002).
1995-1999 : Élève de l’ENS Cachan, Section Mathématique. 
Agrégation de mathématiques (1998).
DEA Mathématiques et Intelligence Artificielle, ENS Cachan (1997).

Thèmes de recherche 

Signal : bandelettes et représentation adaptée à la géométrie des images avec des applications à la compression et au débruitage, méthodes à patchs, imagerie hyperspectrale, détection dans des textures complexes

Statistiques :
bandelettes et estimation par sélection de modèles, maxiset des estimateurs par sélections de modèles, estimation de densité par pénalisation `1, estimation de copules, needlets adaptées à la transformée de Radon, estimation de densités conditionnelles et extensions des mélanges de gaussiennes.

Apprentissage : classification de signaux sonores, détection, reconnaissance (et compression) de visages, agrégation PAC-bayésienne, classification non supervisée, science des données, visualisation.

​