L'apprentissageDate: Mon, 20-Mar-2006
Section: Recherche | Apprentissage
L'apprentissage est un champ de l'intelligence artificielle
où l'on se propose de concevoir des machines dont les
performances s'améliorent avec l'expérience. En
d'autres termes, une telle machine simule le comportement
évolutif d'un être humain. Aujourd'hui, cette
discipline est très diversifiée allant de la
fouille de données aux systèmes multi-agents en
passant par la programmation logique inductive et la théorie
de l'information. On tentera dans ce cours de donner un
aperçu de l'ensemble en évoquant aussi les
problèmes classiques de test de performance et
d'évaluation de complexité.
Mots-clés :
Emergence, Programmation logique inductive,
Algorithmes
génétiques
Formalisation du
problème
1. Le cadre
standard : PAC
apprenabilité de Valiant
- Un exemple introductif (rectangles dans R2)
- Le PAC modèle
- Ce qui est PAC apprenable
- Ce qui n'est pas PAC apprenable
2. La dimension de
Vapnik-chervonenkis
- Equivalence Rasoir d'Occam - PAC apprentissage
- Bornes sur le nombre d'exemples dans le cas fini
- Bornes dans le cas infini : la VC-dimension
Applications
: quelques systèmes positionnés par
rapport au modèle théorique
1. Les réseaux
bayésiens
- Contexte d'apprentissage
- Définition et exemples
- VC-dimension
2. Les réseaux de
neurones
3. La programmation logique
inductive
4. Les "support vector
machines" de Vapnik
5. Les systèmes
multi-agents adaptatifs et l'émergence
6. Les algorithmes
génétiques
Imprédictibilité
1. Définition et
exemples dans le PAC modèle
2. Une autre
définition possible
- La théorie de l'information de Kolmogorov
- La mesure de Solomonov-Levin
Prérequis
: Des connaissances basiques en théorie
des probabilités et en logique.
Bibliographie
:
- ISTAS J. Probabilités et statistiques,
Ellipses.
- CORI R., LASCAR D. Logique mathématique. Cours et
exercices. (Tome I et Tome II), Masson, 1993.
|
|