Abstract FR:

Dans ce mémoire nous décrivons une stratégie diviser-et-combiner pour la décomposition de problèmes complexes d'apprentissage en sous-problèmes plus simples. Nous commençons par exposer la méthode de décomposition par segmentation souple des données qui partitionne l'espace des entrées en plusieurs régions qui se chevauchent. Pour chacune de ses régions nous assignons un expert local construit à partir des données qui en font partie. La solution du problème global est construite par recomposition suivant trois méthodes : moyenne pondérée où les réponses des experts sont pondérées par les probabilités a priori régions, combinaison quasi-linéaire adaptive, et arbres de décision où les paramètres de mixture sont obtenus par apprentissage. Pour valider notre approche, nous exposons des résultats de simulations sur deux problèmes de classification et sur un problème de régression en utilisant des experts locaux de type Perceptrons Multicouches et Support Vector Machines.