Abstract FR:

La thèse est consacrée à l'apprentissage dans les modèles connexionnistes. Elle expose en détail les problèmes théoriques soulèves par une classe particulière de réseaux d'automates: les réseaux multi-couches linéaires ou quasi linéaires dans l'apprentissage supervise. Des notions comme celles de mémorisation et de généralisation y sont discutées de façon théorique et illustrées d'exemples. Les paramètres relatifs a la construction d'un réseau tel que le nombre d'automates et de couches, le mode d'itération, y sont testes pour mettre en lumière leur influence sur les performances attendues. Des comparaisons sont effectuées entre les réseaux d'automates et des techniques mieux connues comme la reconnaissance des formes et l'analyse des données. Un résultat théorique permet de constater une analogie entre une certaine catégorie de réseaux multi-couches et l'analyse discriminante. Les résultats obtenus sont à la fois théoriques et expérimentaux: une série de simulations montre que l'utilisation d'architectures complexes peut permettre une amélioration très importante des performances. La dernière partie présente une application originale des réseaux a la résolution d'un problème réel dans le domaine océanographique, montrant l'efficacité de ces méthodes de traitement de l'information