Apprentissage : Modèles et Algorithmes

Les recherches effectuées dans notre équipe abordent les aspects théoriques et algorithmiques de l’apprentissage artificiel (« Machine learning ») dans le contexte du traitement automatique des données ainsi que dans celui de la modélisation des processus d’interaction et d’apprentissage dans les systèmes complexes

Le domaine de l’apprentissage artificiel s’intéresse aux méthodes qui permettent à un système de s’adapter, d’améliorer la pertinence de ses réponse ou encore de modéliser un problème, à partir de l’extraction des informations contenues dans un ensemble d’exemples ou issues de l’exploration de son environnement. Les domaines d’application ne cessent d’augmenter. Les méthodes, très variées, s’appuient sur des fondements statistiques, comme les réseaux de neurones, l’inférence bayésienne, la programmation dynamique, mais aussi symboliques comme les arbres de décision, la programmation logique inductive, etc. Dans l’étude de systèmes complexes la capacité d’adaptation des agents est modélisée avec des algorithmes d’apprentissage.

Avec des spécialités différentes M.B. Gordon, DR2 : théorie statistique de l’apprentissage, développement de méthodes numériques, modélisation ; G. Bisson, CR1 : méthodes symboliques et numériques de classification ; B. Lemaire, MCF : méthodes symboliques et modélisation cognitive) nous partageons nos expertises sur les approches numériques et symboliques de l’apprentissage. Elles correspondent à des paradigmes représentationnels et calculatoires complémentaires, rarement mis en commun dans une même équipe. Nous avons l’habitude de collaborer avec d’autres équipes sur des sujets pluridisciplinaires.

L’équipe, recomposée, sera rattachée au LIG à partir du prochain quadriennal, sous la direction d’Eric Gaussier, Professeur UJF.