MORACOI

MOdélisation, Raisonnement, et Apprentissage en présence de COnnaissances Imparfaites

Description de l’UE

Les données à manipuler pour l’extraction de connaissances et l’apprentissage sont le plus souvent entachées d’imperfections, qu’elles soient imprécises, incertaines ou incomplètes. Cette UE dresse un panorama des méthodes formelles et de leur mise en oeuvre permettant d’exploiter de telles données, en particulier en apprentissage artificiel.

La première partie du cours est consacrée à diverses théories de représentation des connaissances et de raisonnement étendues pour les données imparfaites : les théories des sous-ensembles flous, des possibilités et de l’évidence sont présentées, ainsi que les extensions de la logique classique (logique floue, logique modale, logique non monotone). D’autres types de raisonnement (par analogie, par interpolation ou par abduction) sont décrits.

La mise en oeuvre de ces méthodes formelles constitue la seconde partie du cours. Elle traite en particulier de méthodes d’apprentissage adaptées (arbres de décision flous, forêts et ensembles, clustering flou, construction de prototypes, construction de résumés…), d’interprétabilité de modèles et de techniques d’agrégation et de fusion d’informations hétérogènes.

Points abordés durant le cours

  • Modélisation et gestion de connaissances imparfaites
    • Modèles de gestion des imprécisions et des incertitudes
      • théorie des sous-ensembles flous : définition et utilisation
      • théorie de l’évidence, théorie des possibilités
    • Modèles logiques (limites et extensions) : logique floue, logique modale, logique possibiliste,…
    • Modèles de raisonnement en présence de connaissances imparfaites :
      • modus ponens, analogie, interpolation
      • utilisation pour la commande floue
    • Raisonnement non monotones
    • Agrégation et fusion de données
  • Apprentissage en présence d’imperfections (incertitude et/ou imprécision)
    • Modèles flous en apprentissage :
      • arbres de décisions flous
      • forêts et ensembles
      • approches par clustering
      • construction de prototypes
    • Mesures de similarité, de ressemblance, de diversité
    • Construction de résumés linguistiques, de règles d’association floues
    • Interprétabilité des modèles et de leurs décisions

Ces points seront illustrés par des applications et des résultats de recherche actuels.
Des exercices (séances de TD) sont prévus pour pratiquer les éléments vus en cours.

Modalités de l’UE
L’enseignement se compose de séances de cours et de de TD.
L’évaluation est basée sur:

  • l’examen écrit de mi-semestre (30%)
  • la présentation orale d’un article scientifique (30%)
  • l’examen écrit de fin de semestre (40%)

Quelques conférences liées aux thématiques abordées dans MORACOI

  • IJCAI : International Joint Conference on Artificial Intelligence
  • Fuzz-IEEE : IEEE International Conference on Fuzzy Systems
  • EUSFLAT : Conference of the European Society for Fuzzy Logic and Technology
  • ICML (workshop) : Workshop on Human Interpretability in Machine Learning
  • ECSQARU : European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty
  • IPMU International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems
  • AiML : Advances in Modal Logic
  • IEEE WCCI : IEEE World Congress on Computational Intelligence

Quelques journaux liés aux thématiques abordées dans MORACOI 

Autres liens

Informations sur cette UE:

  • Intervenants: Marie-Jeanne Lesot, Gauvain Bourgne, Christophe Marsala
  • Responsable: Christophe Marsala (contact: me contacter)