Abstract FR:

La premiere partie de la these pose de facon nouvelle la problematique generale de l'apprentissage supervise en concentrant l'attention sur le concept de generalisation. La generalisation d'un modele est definie comme la capacite a faire des predictions correctes pour des exemples n'ayant pas servi a l'elaboration de ce modele. Dans le cadre propose, l'apprentissage supervise revient a choisir dans l'ensemble des fonctions, obtenues par optimisation dans un espace fonctionnel admissible, celle qui fournit les meilleures performances en generalisation. Le concept de procedure presque bayesienne presque toujours (probably almost baysian) est propose dans le but de definir des classes de methodes de construction les plus appropriees en apprentissage supervise. En utilisant ce cadre general, la seconde partie presente des methodes de construction et d'interpretation de reseaux connexionnistes multicouches. Les methodes de construction proposees concernent, d'une part, la mise a profit de resultats fournis par l'analyse des donnees multidimensionnelles, et, d'autre part, l'utilisation de reseaux specialistes. Une attention speciale est portee aux reseaux connexionnistes multicouches recurrents en montrant comment ces modeles peuvent simuler l'evolution de phenomenes dynamiques. Enfin, on montre l'equivalence fonctionnelle dans le cas discret entre un reseau connexionniste multicouche et un systeme de clauses et on illustre ce resultat en traitant l'exemple de la premiere annonce au bridge