Abstract FR:

Notre these s'interesse au probleme de l'apprentissage symbolique automatique, et plus precisement, propose une methode d'apprentissage permettant de completer une theorie du domaine grace a l'etude d'un nombre limite d'exemples. Notre methode s'inspire de l'apprentissage a partir d'explications. L'apprentissage a partir d'explications ne peut s'appliquer que dans une theorie complete, correcte et de faible complexite puisque l'apprentissage resulte de l'explication, c'est-a-dire de la preuve deductive d'un exemple. Notre travail s'interesse au traitement des theories incompletes et propose grace a l'analyse d'un exemple partiellement explique des raffinements de la theorie initiale. Le procede d'apprentissage repose sur une methode descendante qui calcule les preuves partielles de l'exemple puis recherche des completions possibles de ces explications partielles. La phase de completion s'appuie sur le raisonnement par analogie entre preuves et une etape de generalisation conduit a proposer des complements de definition pour certains concepts de la theorie. Les hypotheses de completion envisagees par le systeme sont soumises a l'approbation de l'utilisateur. Neanmoins, afin de limiter les hypotheses envisageables, nous utilisons un test de satisfaction des contraintes d'integrite. Les contraintes d'integrite ont ete jusqu'ici tres peu utilisees dans les systemes d'apprentissage; nous montrons qu'elles permettent d'ecarter certaines hypotheses, mais aussi qu'elles contribuent a la detection des causes d'echecs dans les preuves partielles. L'etude que nous avons menee nous a conduit a realiser le systeme abdu implemente en macprolog