Apprentissage hybride adaptatif pour les systèmes évolutifs
No Thumbnail Available
Date
2013
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le travail présenté dans ce document se situe dans le domaine général de l’apprentissage automatique.
Il se concentre principalement sur les problèmes posés au niveau des systèmes évolutifs qui sont censés
avoir la capacité d’intégrer, dans un système déjà entraîné, de nouvelles connaissances telles que de
nouvelles données d’apprentissage ou de nouvelles classes.
L’adaptabilité ou la capacité d’évolution représente l'une des limitations les plus fondamentales des
techniques d’apprentissage qui sont actuellement relativement efficaces dans le cas statique. De ce fait,
les méthodes classiques sont souvent inefficaces pour répondre aux nouveaux besoins des applications
actuelles où des flux continus de gros volumes de données sont disponibles.
L’apprentissage adaptatif ou incrémental concerne des problèmes complexes, dynamiques et évolutifs,
avec des données de natures et d'origines différentes, hétérogènes et bruitées. Ce type d’apprentissage
représente l’une des préoccupations majeures de la communauté de l’apprentissage automatique et
constitue un champ de recherche ouvert qui a fait l’objet plusieurs types de travaux. Nous avons
appréhendé cette problématique en étudiant l’apport de l’hybridation des paradigmes du soft-computing
sur la capacité d’adaptabilité et d’évolution de l’apprentissage. Notre intérêt se focalise principalement
sur les méthodes connexionnistes, les algorithmes génétiques et la logique floue. Nous nous sommes
concentrés sur l’étude de leurs possibilités d’hybridation dans le cadre de la conception de systèmes
intelligents évolutifs.
Dans ce cadre, nous proposons un système hybride de classification d’images capable de s’adapter de
manière incrémentale aux changements de l’environnement. Ce système est conçu en utilisant une
intégration d’approches issues du soft computing dans le domaine applicatif de la classification d’images.
L’approche proposée pour la classification adaptative incrémentale d’images est basée sur un système
neuro-flou évolutif qui consiste à apprendre des règles de classification par un réseau de neurones flou,
puis optimiser ces règles par les algorithmes génétiques. La base d’images utilisée pour l’évaluation de
ce système est la base « Image Segmentation » de l’UCI Machine Learning Repository.