Gestion du Degré de Certitude des Connaissances : Extension et Adaptation du Système << CASI>>
Gestion du Degré de Certitude des Connaissances : Extension et Adaptation du Système << CASI>>
Fichiers
Date
2010
Auteurs
BELDJILALI Abdelkader
Nom de la revue
ISSN de la revue
Titre du volume
Éditeur
Université oran1 Ahmed Ben Bella
Résumé
Vu le progrès dans les différents formats de représentations des données, les différents recherches en Intelligence Artificielle converge vers l’interprétation de ces donnés afin d’extraire des connaissances fiables, rapides et efficaces. Entre autre, dans le domaine de l’extraction des connaissances dit Apprentissage Automatique, une panoplie de méthodes est utilisée pour fournir des solutions aux différents problèmes sous différentes formulations et dans multiples domaines d’application. Parmi ces méthodes, on trouve les arbres de décision, qui permettent de classer des individus en classes et cela en interprétant leurs règles de décision déduites. En effet, nous utilisons dans notre approche proposée les arbres de décision pour classer des « individus » d’une « population » afin d’en extraire une connaissance utile et opérationnelle, car on fournit des règles faciles à interpréter pour un expert du domaine étudié. Toute fois, les données qu’on manipule sont souvent « incertaines » et nous mènent à un jugement désarroi, ce qui implique l’utilisation d’une approche pour remédier à l’imprécision des données, une solution que nous avons pu mettre en oeuvre en utilisant l’approche flou, et qui nous a permis de déduire de nouvelles règles flous. A ce niveau, les règles déduites sont de la forme : Si Prémisses Alors Conclusion: En sachant qu’une prémisse est un fait et une conclusion est une règle, nous avons opté pour le raisonnement par automate cellulaire « CASI » pour reconstruire notre arbre de décision dans environnement cellulaire. Notre choix a été porté sur l’amabilité, la souplesse d’interprétation et la richesse de progression du processus d’apprentissage, qu’offre l’automate cellulaire « CASI ». Tout fois, l’objectif principal de notre travaille est le développement et la validation d’un modèle cellulaire dit intelligent d’extraction de connaissances à partir des données floues. Notre modèle cellulaire adopte le principe d’apprentissage par induction auquel nous avons envisagé l’intégration de la logique floue afin de satisfaire trois critères d’intelligence : 1) la tolérance aux imprécisions, 2) la gestion des incertitudes au niveau des données fournies, et 3) l’apprentissage. Nous proposons dans cette thèse une étude expérimentale d’un outil cellulaire de fouille de données floue.
Description
Mots-clés
Apprentissage automatique, Automate cellulaire, Extraction de règles, Fouille des données, Graphe d’induction, Logique floue