Système d'induction formelle à base de connaissances imprécises

Notre theme de recherche traite de l'incertitude et l’imprecision dans les systemes d'apprentissage symbolique numerique Les ensembles de donnees qui sont utilises comme base d'exemples pour les systemes d'apprentissage classiques (machine learning), sont souvent decrits par des attributs qui ont des valeurs numeriques continues. Beaucoup d'algorithmes sont capables de traiter ces types d'attributs sans faire reference aux connaissances du domaine. Dans nos travaux nous utilisons les connaissances du domaine pour ameliorer la qualite d'apprentissage. Nous avons principalement travaille sur les attributs qui ont une double description numerique symbolique (discret ordonne). Nous utilisons une interface numerique symbolique basee sur les sous-ensembles flous pour traiter ces donnees, et nous montrons la facon avec laquelle ces donnees doivent etre exploitees dans des systemes d'apprentissage classiques. D'autre part, nous avons etudie d'autres types de connaissances du domaine, enrichissant le processus d'apprentissage. Ces connaissances peuvent exprimer, une certaine indifference entre les decisions, ou des similitudes entre les valeurs des attributs vis a vis des decisions. Notre approche a donne lieu a un systeme d'apprentissage appele SAFI (systeme d'apprentissage flou interactif). Il genere un arbre de decision flou a partir d'un ensemble d'exemples contenant des donnees floues. Pour construire cet arbre, nous utilisons comme fonction d’evaluation une entropie floue, basee sur les probabilites floues, qui generalise l'entropie classique aux evenements flous. Cet arbre de decision peut servir dans le domaine de la commande floue.