Systèmes d'apprentissage connexionnistes et raisonnement à partir de cas pour la classification et le classement de séquence

Learning connectionnist systems and case-based reasoning for sequence clustering and classification

• Auteur / Autrice : Farida Zehraoui
• Direction : Younès Bennani
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2004
• Etablissement(s) : Paris 13

Mots clés

Mots clés contrôlés

Apprentissage automatique

Résumé

La thèse porte sur l'utilisation de techniques d'apprentissage automatique pour le traitement de séquences. Ce travail est motivé par une application réelle qui consiste à modéliser le comportement d'un internaute à partir de traces de navigations. Nous avons d'abord proposé un système de raisonnement à partir de cas (RàPC) << CASEP >> pour le classement ou la prédiction à partir de séquences. Des mesures de maintenance sont associées aux cas pour faire face au bruit contenu dans les données et pour effectuer la réduction de la base de cas. Nous avons ensuite proposé plusieurs modèles de cartes auto-organisatrices (SOM) pour la classification et le classement de séquences. Nous nous sommes intéressés à l'insertion des propriétés de plasticité et de stabilité dans une carte SOM ainsi qu'au traitement des séquences temporelles. A la fin de cette étude, nous avons travaillé sur la possibilité de coopération des systèmes connexionnistes avec l'approche de RàPC afin de concevoir des systèmes hybrides. Nous avons ainsi proposé le système hybride << CASEP2 >> qui combine le raisonnement à partir de cas avec l'un des réseaux de neurones que nous avons proposés.