Abstract FR:

Dans cette these, notre objectif est le developpement de reseaux connexionnistes qui se construisent au cours de l'apprentissage. Nous examinons principalement les proprietes necessaires a la structure de ces reseaux pour permettre: - d'ajouter ou retirer des composants en fonction de criteres statistiques sur le fonctionnement de ces composants ; - de construire des modeles multi-niveaux correspondant a des niveaux d'abstraction croissants de modeles. Nous etudions une nouvelle approche theorique de l'apprentissage basee sur la geometrie: l'apprentissage de varietes caracteristique d'une distribution d'exemples. Nous etudions une famille de modeles novateurs, adaptes a ce nouveau cadre: les reseaux semi-algebriques. Nous montrons comment un caractere geometrique leur confere des avantages importants sur les modeles actuels. Nous illustrons notre propos en proposant un exemple de reseaux semi-algebriques pour la categorisation de distributions. Ces modeles peuvent etre consideres comme des generalisations des cartes topologiques de kohonen