 |
|
L'apprentissage automatique est une composante majeure dans la conception de
systèmes informatiques, plus particulièrement en Intelligence Artificielle.
Il permet d'améliorer les performances des systèmes ou d'acquérir des
connaissances sur un domaine. L'intérêt pour cette discipline s'est accru
ces dernières années avec le développement de grandes bases de données,
la nécessité de constituer des mémoires d'entreprises, et le besoin d'outils
intelligents pour exploiter les flux d'informations sur le web.
Ceci a conduit, notamment, à l'émergence de l'ECD (extraction de
connaissances à partir de données) et de la fouille de textes.
La Conférence d'Apprentissage (CAp) est un rendez-vous annuel
permettant aux chercheurs universitaires et industriels des diverses
communautés francophones de se rassembler pour échanger des résultats
théoriques et appliqués, des modèles, des méthodes, des outils et des
expériences. Elle s'est construite sur le rapprochement des Journées
Francophones d'Apprentissage (1985-1998) et du Groupe de Travail Apprentissage
(groupe AFCET-AFIA, intitulé GTRA, 1995-1999). Ce rapprochement a finalement
conduit à la création récente, dans le cadre de l'AFIA, du Collège
Apprentissage, Fouille et Extraction (CAFE). Ainsi, grâce au travail accompli
depuis maintenant une quinzaine d'années, une culture commune aux divers
tenants de l'apprentissage automatique s'est constituée, alliant les aspects
symboliques et formels issus de l'IA aux aspects statistiques,
sans oublier l'analyse de données, et certains concepts de la physique.
L'édition 2002 sera organisée à Orléans, du 17 au 19 juin 2002, par le LIFO
(Laboratoire d'Informatique Fondamentale d'Orléans). Nous vous invitons
vivement à contribuer à cet événement qui favorise les échanges entre les
différents courants de la communauté apprentissage.
Voici une liste, non exhaustive, des sujets intéressant la conférence
d'apprentissage CAp 2002 :
- Apprentissage symbolique et algébrique : arbres de décision, programmation
logique inductive, apprentissage multi-instances, treillis de Galois,
recherche de motifs fréquents, ...
- Apprentissage numérique ou statistique : réseaux neuronaux, réseaux
bayésiens, machines à support de vecteurs, apprentissage semi-supervisé,
co-training, ...
- Approches hybrides : algorithmes d'évolution, raisonnement à partir de cas,
analogie, approches cognitives, ...
- Reformulation : sélection de descripteurs, sélection d'instances,
propositionnalisation, abstraction, ...
- Etude formelle de l'apprentissage : apprenabilité, évaluation des
systèmes d'apprentissage, liens avec l'expert et aspects interface
homme-machine (biais, visualisation, modélisation de l'expert, etc), ...
- Apprentissage à partir de données semi-structurées, de textes
(fouille de textes, web mining, ...), de génomes, ...
- Applications : fouille de données, fouille de textes, bio-informatique,
médecine, chimie, ...