AGAPE et CHARADE : deux techniques d'apprentissage symbolique appliquées à la construction de bases de connaissances / Jean-Gabriel Ganascia ; [sous la direction d'] Yves Kodratoff

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Intelligence artificielle

Systèmes experts (informatique)

Pitrat, Jacques (1934-2019) (Président du jury de soutenance / praeses)

Laurière, Jean-Louis (Rapporteur de la thèse / thesis reporter)

Brazdil, Pavel (1945-....) (Membre du jury / opponent)

Delobel, Claude (1938-.... ; mathématicien) (Membre du jury / opponent)

Diday, Edwin (1940-.... ; auteur en informatique) (Membre du jury / opponent)

Gaudel, Marie-Claude (1946-....) (Membre du jury / opponent)

Kodratoff, Yves (Directeur de thèse / thesis advisor)

Université Paris-Sud (1970-2019) (Organisme de soutenance / degree-grantor)

Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne) (Autre partenaire associé à la thèse / thesis associated third party)

Relation : AGAPE et CHARADE : deux techniques d'apprentissage symbolique appliquées à la construction de bases de connaissances / Jean-Gabriel Ganascia ; [sous la direction d'] Yves Kodratoff / Grenoble : Atelier national de reproduction des thèses , 1987

Résumé / Abstract : Centrée principalement sur l'apprentissage symbolique par détection de corrélations empiriques, cette thèse aborde deux questions: la généralisation de descriptions et la construction de systèmes de règles. La généralisation et la discrimination sont les deux opérations majeures qui pilotent la détection des régularités. Nous montons ici comment un mécanisme général, l'appariement structurel, permet de simuler ces deux opérations tout en intégrant la sémantique de l'univers d'apprentissage. Une fois l'appariement structurel obtenu, les descriptions se ramènent à une conjonction de triplets (<Attribut> <Sélecteur> <Valeur>). Dans ce cadre on est capable d'engendrer des systèmes de règles de production traduisant les corrélations entre descripteurs. De plus, ces systèmes de règles vérifient des propriétés d'ensemble qui les rendent opérationnels sur des moteurs d'inférences classiques. A cette fin on représente l'ensemble d'apprentissage et l'espace des descriptions sur un treillis booléen, le cube de Hilbert. L'apprentissage des règles se ramène alors à une exploration intelligente de l'espace de description. les-propriétés des règles et du système de règles que l'on désire construire étant traduites sous forme de contraintes de la procédure d'exploration.