Les entreprises, et de façon générale
les organisations, soumises au besoin vital
de traiter les flots d'informations qui les
environnent, mettent en place de nouveaux
systèmes spécialisés dans la gestion de
la collecte et du traitement de l'information.
Pour cela, il est nécessaire de disposer d'une
architecture technique spécifique, capable
d'affronter le défi de l'ampleur des volumes
(stockage) et des traitements (analyse).
Confrontées aux changements, ces mêmes
organisations doivent de plus modifier
leurs outils ou modèles de traitement
des données, qui doivent pouvoir s'auto-adapter
à une situation nouvelle, améliorer
leurs performances, leur efficacité, etc.
Une connaissance (métaconnaissance)
doit pouvoir intervenir sur la connaissance
(un modèle) qui traite les informations.
L'acquisition automatique de cette méta-connaissance
est appelée méta-apprentissage.
C'est le sujet de cet ouvrage, qui présente
des recherches effectuées dans le cadre du
méta-apprentissage d'expériences.
Le méta-apprentissage d'expériences consiste
à apprendre automatiquement une méta-connaissance
à partir d'exemples,
d'expériences, de données, de façon
à agir ultérieurement sur la connaissance
pour obtenir de meilleurs résultats ou
des informations prédictives.
L'ouvrage explicite les algorithmes
et leurs capacités à traiter certains types
de problèmes, notamment dans un
environnement distribué. Il propose de
nombreuses solutions originales qui peuvent
être exploitées par des chercheurs ou
des ingénieurs développeurs d'applications,
notamment en data mining. Ces nouvelles
approches donnent des résultats faciles
à interpréter par l'utilisateur. Un outil gratuit,
fonctionnant dans l'environnement Windows,
est décrit.
