L'unité d'enseignement « Apprentissage symbolique » est
une UE de niveau (500) relevant de la spécialité IAD du master
d'informatique. Elle possède un volume de 3 ECTS et s'étend sur
10 semaines. Elle est normalement offerte au semestre 3.
Description
Introduire à l'apprentissage machine et à ses applications tant
à la fouille de données qu'à la découverte scientifique
ou à la modélisation cognitive, tel est le but de ce cours destiné
à des étudiants de seconde année de master qui s'orientent
vers la recherche. Ce cours dispense les fondements informatiques et cognitifs
requis pour tout étudiant qui souhaite poursuivre ultérieurement
en thèse soit en intelligence artificielle, soit en reconnaissance des
formes.
D'ores et déjà il existe des techniques d'intelligence artificielle
qui permettent aux machines de tirer partie de leurs propres expériences
et, en conséquence, d'apprendre d'elles mêmes. Au coeur de toutes
ces techniques, prennent place des mécanismes de simulation du raisonnement
déductif, inductif et abductif. Ce cours sera d'abord consacré
à la présentation de ces techniques, désormais classiques,
un accent tout particulier étant mis sur l'induction.
Nous aborderons ensuite la découverte qui sera envisagée tout
autant sous l'angle de la reconstruction rationnelle, à l'aide d'ordinateurs,
de découvertes scientifiques anciennes que sous l'angle de l'aide à
la découverte dans des domaines encore inexplorés ou encore de
la découverte par exploration dans les bases de données, appelée
aussi fouille de données.
Nous décrirons enfin, dans le détail, des applications de l'apprentissage
à l'acquisition des connaissances, à l'anticipation de comportements
et à la créativité.
Bibliographie
Cornuéjols A. & Miclet L. : Apprentissage artificiel : Concept
et algorithmes. Eyrolles, 2002
Michalski, R.S., Carbonell, J.G., Mitchell T.M.(Eds.), Machine Learning
: An Artificial Intelligence Approach, Volume I et II, Morgan Kaufmann 1983
et 1986.
Mitchell T. : Machine Learning. McGraw Hill, 1997
Natarajan B, Machine Learning: a Theoretical Approach, Morgan Kaufmann
Publishers, 1991
Contenu indicatif par semaine
1. Connaissance, information et théorie de la "Strate de connaissances".
Apprentissage empirique, généralisation formelle et inférence
inductive.
Approche classique de l'apprentissage symbolique : construction d'arbres
de décision (ID3), de systèmes de règles d'association
(AQ, CHARADE), de listes de décision
Espace des versions, Formalisation algébrique des système
d'apprentissage, Règles d'association, (suite) « Bagging »
et « Boosting »...
Induction, approches philosophiques, théorie statistique et théorie
formelle de l'apprentissage Généralisation de termes et de clauses
Programmation logique inductive
Classification et regroupement conceptuel : notion d'apprentissage non
supervisé et application à l'induction automatique de taxinomies
Modèles formels d'apprentissage (paradigmes de Gold et de Valiant).
Notions d'apprentissage statistique Du général au particulier...
Raisonnement par cas et mécanismes d'analogie
Phénomènes d'adaptation : introduction aux algorithmes génétiques
Apprentissage par renforcement Anticipation de comportements : application
à la conception d'agents d'interface évolutifs et à la
réalisation de jeux de stratégie adaptatifs
Découverte scientifique et aide à la découverte :
aide à la formulation et à l'évaluation de théories,
de lois et d'hypothèses scientifiques. Présentation des approches
classiques (systèmes BACON, STAHL,...). Découverte en médecine
: application à la découverte des causes du Scorbut. Philosophie
computationnelle
Créativité : étude de la créativité,
détection de motifs musicaux et syntaxiques, étude des brouillons
d'auteurs. Un modèle de créativité fondé sur la
mémoire. Application à la simulation du comportement d'un joueur
de basse dans une section rythmique