L’Apprentissage Automatique

De la Sélection de Variables à l’Apprentissage de Structure d’un Classifieur Bayésien

Les travaux développés dans le cadre de cet ouvrage portent sur le problème du traitement des grandes masses de données lors de l’apprentissage automatique d’un modèle à partir d’une base d’exemples.

Ainsi, le modèle construit servira comme un outil de classification de nouveaux cas.

Nous étudions plus particulièrement dans un premier temps, le concept de la sélection de variables en présentant ses principales stratégies et en propulsant leurs insuffisances, en effet, une nouvelle méthode Filtre sera développée au cours de ce travail afin de remédier aux insuffisances signalées.

Nous étudions dans un deuxième temps, le problème de l’augmentation super-exponentielle de la complexité algorithmique de l’apprentissage de structure d’un classifieur Bayésien dans le cas d’utilisation d’algorithmes généraux et sans restrictions particulières.

Alors, on se propose lors de cette partie de développer une nouvelle approche permettant de réduire le nombre de graphes acycliques dirigés (DAG) possibles lors de l’apprentissage automatique de structure sans pour autant perdre de l’information.