Apprentissage automatique

En Apprentissage Automatique, nous nous intéressons à:

• • La classification non supervisée.
  • Divers types de données : classiques, relationnelles, textuelles, temporelles.
  • L'apprentissage de modèles exprimées sous forme symbolique : patterns ou règles exprimées en logique des propositions ou du 1er ordre.
  • Des applications : chimie, données environnementales, données images, Système d'Information Géographique.

Nous avons dans l'équipe de fortes compétences autour de l'apprentissage relationnel (aussi connu sous le nom de Programmation Logique Inductive, PLI) regroupant les travaux sur l'apprentissage de connaissances exprimées dans un formalisme relationnel.  Ce domaine a été récemment étendu à l'apprentissage relationnel statistique permettant de modéliser des connaissances incertaines.

Dans ce domaine, nous nous intéressons principalement à l'apprentissage supervisé à partir d'exemples positifs et négatifs. Mais nous avons aussi abordé d'autres thématiques comme la recherche de motifs fréquents dans des données relationnelles. Plus généralement, nous nous intéressons à l'apprentissage de modèles exprimés sous forme de règles, traitant des données qualitatives, quantitatives, relationnelles ou non.

Notre équipe développe depuis plus de dix ans une forte activité dans le domaine de la classification non-supervisée (clustering). En particulier nous avons proposé de nouveaux modèles de :

• • Clustering multi-vues : lorsque les données sont décrites selon différents points de vues.
  • Clustering semi-supervisé : afin de tenir compte de connaissances extérieures.
  • Clustering multi-objectifs : favorisant l'émergence de classifications plus diversifiées.
  • Clustering recouvrant : pour des données s'organisant naturellement en classes chevauchantes.
  • Clustering sous contraintes, modélisé en Programmation par Contraintes.