Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web...
Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples.
Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique unique pour l'ensemble des techniques regroupées sous ce terme «d'apprentissage artificiel».
A qui s'adresse ce livre ?
Aux décideurs et aux ingénieurs qui souhaitent comprendre l'apprentissage automatique et en acquérir des connaissances solides ;
Aux étudiants de niveau maîtrise, DEA ou école d'ingénieurs qui souhaitent un ouvrage de référence en intelligence artificielle et en reconnaissance des formes.
Sommaire
I. Les fondements de l'apprentissage • Première approche théorique de l'induction • Environnement méthodologique • II. Apprentissage par exploration • Induction et relation d'ordre • Programmation logique inductive • Inférence grammaticale • Apprentissage par évolution • III. Apprentissage par optimisation • Surfaces séparatrices linéaires • Réseaux connexionistes • Réseaux bayésiens • Modèles de Markov cachés • IV. Apprentissage par approximation et interpolation • Classification non supervisée • Apprentissage par renforcement • Annexes et bibliographie.
