Abstract FR:

Nous présentons dans cette thèse le système d'apprentissage OGUST+, une extension du système OGUST. OGUST+, comme son prédécesseur, est un système de généralisation à partir d'exemples. Il cherche une des généralisations les plus spécifiques. L'amélioration d'OGUST+, par rapport à OGUST, consiste en sa capacité de faire de l'apprentissage incrémental, dans la mesure où il peut accepter une série d'exemples les uns après les autres, sans recommencer le processus d'apprentissage avec pour entrée tous les exemples. L'analogie est la méthode de base pour faire de l'apprentissage incrémental. Etant donné un nouvel exemple, on cherche d'abord parmi les exemples déjà traités, un exemple Ei très "similaire" au nouvel exemple, on consulte ensuite les explications qu'OGUST fournit pour savoir comment cet ancien exemple a été généralisé, et puis on généralise le nouvel exemple tout en simulant le processus de la généralisation de l'ancien exemple choisi. L'analogie permet de tenir compte des similarités entre les exemples et de trouver de bons appariements entre les objets dans la généralisation et les objets dans les exemples. Elle nous offre de meilleures garanties pour obtenir une bonne généralisation. Une stratégie de retour en arrière est conçue dans cette thèse pour traiter une éventuelle sur-généralisation des exemples. Puisque la stratégie de recherche de généralisations adaptée dans le système est la stratégie en profondeur d'abord, nous sommes obligés de retourner en arrière, si une sur-généralisation se produit. Nous avons défini des conditions de retour arrière qui, une fois satisfaites, déclenchent le processus de retour arrière pour retrouver une des généralisations les plus spécifiques. Le système préserve son incrémentalité, lors de retour arrière, en ne considérant qu'un sous ensemble d'exemples présentés.