Modélisation d'Uplift pour la publicité en ligne: La modélisation d'uplift est une technique basée sur l'apprentissage automatique pour la prédiction de l'effet du traitement au niveau individuel, qui est devenue l'une des principales tendances dans les domaines d'application où la personnalisation est essentielle. Cette thèse a pour but d'étendre le champ d'application de la modélisation d'uplift pour les données expérimentales en développant une nouvelle théorie et des solutions pour les défis ouverts dans le domaine, inspirés de la perspective des applications de la publicité en ligne.Tout d'abord, nous mettons à la disposition du public une collection de 13,9 millions d'échantillons collectés à partir de plusieurs essais de contrôle aléatoires, ce qui multiplie par 210 les ensembles de données disponibles. Nous formalisons la façon dont la modélisation d'uplift peut être effectuée avec ces données, ainsi que les mesures d'évaluation pertinentes. Ensuite, nous proposons des surfaces de réponse synthétiques et une affectation de traitement fournissant une configuration générale pour la prédiction de l'ITE et nous rapportons des expériences pour valider les caractéristiques clés de l'ensemble de données en tirant parti de sa taille pour évaluer et comparer une sélection de méthodes de base de modélisation d'uplift et de prédiction de l'ITE.Deuxièmement, nous supposons que les conditions de traitement sont déséquilibrées et nous proposons deux nouvelles méthodes basées sur la représentation des données et agnostiques par rapport au modèle, inspirées des paradigmes d'apprentissage en cascade et multi-tâches. Les résultats expérimentaux sur plusieurs collections à grande échelle montrent les avantages des approches proposées.Nous abordons ensuite le problème de l'optimisation directe de l'Area Under the Uplift Curve (AUUC), une métrique populaire dans le domaine. En utilisant les relations entre la modélisation d'uplift et le classement bipartite, nous fournissons une limite de généralisation pour l'AUUC et dérivons l'algorithme d'optimisation de cette limite, utilisable avec des modèles linéaires et profonds. Nous étudions empiriquement l'étanchéité de la limite proposée, son efficacité pour le réglage des hyperparamètres et montrons l'efficacité de l'objectif d'apprentissage proposé par rapport à une série de lignes de base sur deux repères de modélisation d'uplift en utilisant des ensembles de données du monde réel.Enfin, nous considérons le problème de l'apprentissage de modèles d'uplift à partir de données agrégées, c'est-à-dire avec un accès aux étiquettes et aux caractéristiques uniquement par des requêtes agrégées sur des groupes. Nous proposons une méthode de principe pour apprendre des modèles d'uplift basés sur des groupes à partir de données agrégées selon un ensemble donné de groupes qui définissent une partition de l'espace utilisateur, en utilisant différentes techniques d'agrégation non supervisées, telles que le regroupement de caractéristiques par valeur ou par quantile. Nous introduisons une décomposition bias-variance de la métrique Precision when Estimating Heterogeneous Effect (PEHE) pour les modèles appris sur un regroupement donné et montrons comment cette décomposition nous permet de dériver un nombre optimal théorique de groupes en fonction de la taille des données. Les résultats expérimentaux mettent en évidence le compromis bias-variance et confirment les idées théoriques concernant le nombre optimal de groupes. En outre, nous montrons que les modèles d'uplift basés sur les groupes peuvent avoir des performances comparables à celles des modèles de base avec un accès complet aux données, ce qui suggère que l'agrégation ne pénalise pas de manière significative la modélisation d'uplift tout en garantissant la protection de la vie privée.