Contraintes & Apprentissage

Les travaux menés dans le thème Apprentissage se déclinent autour de 4 directions principales:

apprentissage de règles

à la fois en apprentissage supervisé pour la classification, l'inférence grammaticale et l'extraction de modèles de contraintes et en apprentissage non-supervisé pour l'extraction de règles d'association.

apprentissage numérique

pour la classification non-supervisée où nous travaillons sur des modèles adaptés au traitement de données complexes (recouvrantes ou multi-vues).

exploration et représentation de données

pour la fouille visuelle et intéractive des données par des techniques de projections spatiales sous-contraintes

apprentissage statistique sur modèles graphiques

couvrant à la fois des travaux sur les CRF (Conditional Random Fields) avec leur application aux arbres (décrits dans la section sur le TAL), et l'apprentissage de structures de Réseaux Logiques de Markov.