%\section{Composante Apprentissage Numérique}
{\it Participants : S. Aseervatham, H. Azzag, Y. Bennani, L. Dehni, N. Grozavu, S. Guérif, N. Rogovschi, E. Viennet}

L'apprentissage numérique consiste à découvrir un concept sous une forme géométrique simple (hyperplan). Il se présente sous la forme d'optimisation d'un critère (fonction de coût) interprétable sur l'ensemble d'apprentissage.
Nos activités de recherche pour ces méthodes sont centrées sur les apports des techniques d'apprentissage numériques (statistiques et bio-inspirées) à l'analyse, l'exploration et l'interprétation de données complexes et de taille importante. Notre travail de recherche s'oriente plus particulièrement vers l'extraction de connaissances à partir de données et l'aide à la décision. Nos objectifs et activités de recherche s'articulent autour de deux dimensions complémentaires : théorique et pratique. Les études théoriques portent sur la conception de nouveaux algorithmes d'apprentissage et le développement d'approches modulaires et hybrides faisant coopérer différentes techniques. La dimension pratique s'attache à valoriser les activités de recherche en intégrant les résultats dans des systèmes opérationnels. Cette intégration se fait dans le cadre d'applications réelles dans différents domaines : parole, image, biométrie, diagnostic, Data Mining, Web Mining, Marketing. Notre problème central est donc celui de l'analyse et l'exploration de données afin d'en comprendre le sens, de déceler des relations entre des événements, d'en déduire des modèles de comportement. Il s'agit de la transformation de données en connaissances qui est et sera de plus en plus touchée par la nécessité de développer, de maîtriser et de choisir de nouveaux outils d'analyse et d'exploration des données. Le principal objectif de ces outils est celui d'un processus automatisé qui prend ses sources dans les données et dont le but est l'extraction de connaissances pour l'aide à la décision.

Actuellement, nous développons les axes de l'apprentissage non-supervisé, l'apprentissage semi-supervisé et la visualisation de données structurées en séquences (temporelle, spatio-temporelles et évolutives).

Nous poursuivons aussi nos travaux sur la combinaison de modèles et la fusion de données et de décisions pour des problèmes de classement, de classification et de régression. Nous continuons également à travailler sur les techniques de sélection, d'extraction et de pondération de caractéristiques en apprentissage non-supervisé. Il nous paraît important de poursuivre l'étude en la généralisant à la modélisation de données dans de grandes bases de données issues des entrepôts de données. Nous envisageons de développer des activités sur l'exploration de données textuelles. Les objectifs visés concernent l'accès à l'information textuelle (recherche d'information, navigation dans les documents, filtrage et routage de documents), la gestion de données textuelles (structuration de documents et indexation, classification de textes), et l'analyse de contenu (extraction d'information, acquisition de terminologie spécialisée).

Ces recherches sont validées sur des problèmes de reconnaissance des formes et de fouille de données, en particulier sur des données temporelles, spatio-temporelles  et évolutives (traces de navigations sur Internet, données comportementales, données de consommation, données de marketing, réseaux de capteurs, ...).

%---------------------------------------------------------------------------ok

\subsection{Approches statistiques}
\input{inputs/A3/App_Numeriques/App_Stat}

%---------------------------------------------------------------------------ok

\subsection{Approches connexionnistes}

\input{inputs/A3/App_Numeriques/App_Connex}

%---------------------------------------------------------------------------ok

\subsection{Approches inspirées des comportements d'insectes sociaux }

\input{inputs/A3/App_Numeriques/App_Bio}

%---------------------------------------------------------------------------ok

\subsection{Domaines d'applications}

Nous travaillons sur différents domaines d'applications, toutefois nous avons développé ces dernières années un thème principal qui est l'analyse et la visualisation de données structurées en séquences :

\begin{itemize}
\item {\em Exploration des traces de navigations sur Internet ;}
\item {\em Analyse et visualisation des données comportementales : Marketing, RFID ;}
\item {\em Diagnostic des systèmes complexes ;}
\item {\em Identification multi-modale : vocale et visuelle.}
\end{itemize}

\subsection{Résultats significatifs}

Parmi les nombreux résultas de nos activités de recherche, nous pouvons mettre en avant les cinq contributions suivantes : 

\begin{itemize}
\item {\em Mesures de pertinence pour la sélection de caractéristiques et l'optimisation des architectures connexionnistes ;}
\item {\em Algorithmes de pondération des variables, durant l'apprentissage, en fonction de leur pouvoir discriminant ;}
\item {\em Classification incrémentale de données évolutives, séquences ;}
\item {\em Algorithmes de classification topographique à deux niveaux simultanés ;}
\item {\em Sélection/pondération de variables en apprentissage non-supervisé à deux niveaux.}
\end{itemize}
 
\subsection{Perspectives de recherche}

Nous continuons actuellement nos travaux sur la combinaison de modèles et la fusion de données et de décisions pour des problèmes de classement, de classification et de régression. Nous continuons également à travailler sur les techniques de sélection et d'extraction de caractéristiques dans les réseaux connexionnistes. Il nous paraît important de poursuivre l'étude en la généralisant à la modélisation de données dans de grandes bases de données issues du web ou des entrepôts de données. Nous envisageons aussi de développer des activités sur l'exploration de données textuelles. Les objectifs visés concernent l'accès à l'information textuelle (recherche d'information, navigation dans les documents, filtrage et routage de documents), la gestion de données textuelles (structuration de documents et indexation, classification de textes), et l'analyse de contenu (extraction d'information, acquisition de terminologie spécialisée).
La problématique de la classification topographique évolutive sera aussi abordée dans le cadre de la classification  à base de noyaux, pour laquelle nous définirons un critère d'évaluation prenant en compte son double objectif (évolution et topographie). Nous proposerons aussi dans un contexte d'apprentissage non supervisé, des noyaux pour traiter des données structurées (séquences, arbres, graphes, ...). Enfin, nous souhaitons apporter quelques contributions permettant de faire naître un cadre théorique pour l'apprentissage non-supervisé évolutif.