Apprentissage supervisé et raisonnement approximatif, l'hypothèse des imperfections

Nous proposons une methode d'apprentissage a partir d'exemples qui se situe a la jonction des methodes statistiques et de celles basees sur des techniques d'intelligence artificielle. Notre modelisation se base sur la generation automatique de regles de classification et sur une utilisation originale du raisonnement approximatif. La methode d'apprentissage proposee, basee sur une recherche de correlations lineaires entre les composantes des vecteurs d'apprentissage est multi-attributs. L'incertitude des regles est geree aussi bien dans la phase d'apprentissage que dans celle de la reconnaissance. Un systeme baptise SUCRAGE a ete implemente et confronte a une application reelle dans le domaine du traitement d'images. Les resultats obtenus permettent de valider notre approche et nous autorisent a envisager d'autres domaines d'application. De plus, ces resultats confortent notre hypothese des imperfections: le raisonnement approximatif ou une recherche de correlations intraclasses peuvent sensiblement ameliorer les resultats.