Table des matières

• • Avant-propos
    • Problématique
      • Contexte de la recherche
      • Constats
      • Orientation de la recherche
      • Travail de thèse
    • Sources d'inspiration
      • Modèle d'un système capable d'actions réflexes
      • Contraintes appliquées au système
      • Méthodologie d'étude des capacités d'apprentissage du système global
    • Introduction aux termes clés employés dans ce document
      • Fiabilité et prédictibilité - lien avec le vivant
      • Introduction à la notion d'événement rare
      • Introduction à la notion d'information perceptive
    • Structuration du document
  
  
• Liste des figures
• Apprentissage d'objectif (AO)
  • Influence du contexte sur l'apprentissage par renforcement
    • Introduction
      • Idées directrices
      • Guide du chapitre
    • Cadre général de l'apprentissage par renforcement (AR)
      • Le mécanisme d'AR schématisé - les termes clés
      • Références générales
      • Positionnement de l'AR par rapport à d'autres méthodes d'apprentissage
      • Problématique et méthodes de résolution liées à l'AR
      • Conditions de convergence des algorithmes d'AR
      • Causes de difficultés dans l'utilisation des algorithmes d'AR
      • Lien entre incertitude, imprécision, fiabilité et prédictibilité
    • Outils d'étude de l'incertitude due au contexte de l'AR
      • Introduction
      • Qu'entendons-nous par ``qualité'' du contexte d'apprentissage ?
      • Notations
      • Contexte idéal et quasi-idéal - Propriété ( $P_{\epsilon }$)
      • Exemples de contextes vérifiant ou ne vérifiant pas ( $P_{\epsilon }$)
      • Information associée à l'exécution d'une action
      • Mesures utilisant l'entropie de Shannon
      • Protocole de calcul des mesures $H_{1}$ et $H_{2}$
      • Modélisation du flux d'erreurs dû au contexte d'apprentissage
      • Modélisation d'un flux d'erreurs mono-causal
      • Modélisation d'un flux d'erreurs bi-causal dépendant de l'état initial du système
    • Expérimentations autour du problème du pendule inversé
      • Objectif
      • Analyse préliminaire des résultats antérieures sur l'influence du bruit de mesure sur l'apprentissage par AR
      • Protocole expérimental
      • Analyse des mesures $H_{1}$ et $H_{2}$ lorsque la qualité des données d'entrée est dégradée
      • Découverte des sources d'erreur du contexte de l'apprentissage
      • Relation entre $H_{1}$ et $\epsilon _{2}$
      • Conclusion
  • Algorithme d'AO défini dans un contexte idéal
    • Introduction
      • Idée directrice du chapitre
      • Genèse de l'algorithme CbL - utilisation de notre méthodologie
      • Guide de ce chapitre
    • Description de l'algorithme CbL
      • Méthodologie
      • Notations
      • Marquage des états du système
      • Contraintes du système subissant l'AO
      • Algorithme d'apprentissage CbL
    • Résultats théoriques concernant l'algorithme CbL(1)
      • Problèmes théoriques
      • Convergence de la phase de propagation donnée par l'algorithme 2.1
      • Cas d'unicité de l'ensemble des valeurs des marquages obtenues grâce à l'algorithme de propagation
      • Signification de la valeur des marquages
      • Exploration de l'espace d'états
      • Convergence et prédictibilité de l'algorithme CbL
      • Utilisation de l'algorithme CbL($\alpha$)
    • Propriété d'incrémentalité de l'algorithme CbL
      • Qu'entendons-nous par ``incrémentalité'' ?
      • Découverte de la suppression d'une cible
      • Découverte de l'ajout d'une cible
      • Découverte de la suppression d'un obstacle
      • Découverte de l'ajout d'un obstacle
      • Conclusion: lien entre la capacité d'incrémentalité de l'algorithme CbL et l'invariant structurel engendré par ( $P_{\epsilon }$)
    • Problème du labyrinthe
      • Introduction
      • Position du problème
      • Protocole d'apprentissage
      • Résultats
    • Problème de navigation d'un robot mobile
      • Introduction
      • Position du problème
      • Préparation du contexte d'apprentissage pour le problème de navigation du robot Khepera
      • Protocole expérimental
      • Résultats
    • Conclusion
  
  
• Apprentissage perceptif (AP)
  • Modèle paramétrique du processus de catégorisation
    • Introduction
      • Cadre de notre étude
    • Constituants du processus de catégorisation
      • Introduction
      • Problématique du processus de catégorisation - définition de l'AP
      • Vue générale du processus de catégorisation
      • La mémoire
      • Sélection des hypothèses valides
      • Information perceptive et état du système
      • Relation entre le nombre d'hypothèses de la mémoire et l'impossibilité d'anticiper une évolution précise du signal
      • Conclusion - degrés de liberté du processus de catégorisation
    • Algorithme de sélection pour un ensemble fini d'hypothèses
      • Introduction
      • Algorithme
      • Précisions concernant l'algorithme de sélection
    • Algorithme de sélection pour un ensemble infini d'hypothèses
      • Introduction
      • Constitution de la mémoire - notations
      • Formalisation de l'ensemble S(t) des solutions - résolution d'un problème d'inversion ensembliste
      • Méthode de résolution sélectionnée
      • Algorithme
    • Caractère générique de notre modélisation - Lien avec des modélisations paramétriques existantes
      • Prédiction: liens avec le filtrage de Kalman
      • Possibilité d'avoir des hypothèses possédant des valeurs de h différentes: lien avec les approches multi-résolutions
      • Possibilité de valider simultanément plusieurs hypothèses: lien avec la problématique de la séparation de sources
    • Conclusion
      • Résultats obtenus
      • Travaux à effectuer
  • Contraintes appliquées à la mémoire du système
    • Introduction
    • Contraintes associées à l'information perceptive
      • Introduction
      • Le problème ``D''
      • Extensions du problème ``D''
      • Contrainte d'observabilité CO, restreignant l'information perceptive - Lien avec l'AP
      • Contrainte d'unicité (CU) restreignant l'information perceptive
      • Fiabilité de l'information perceptive
    • Résolution de CO dans le cas d'une mémoire possédant une hypothèse
      • Introduction
      • Notations - Formulation des deux contraintes de CO
      • Condition d'existence d'une mémoire respectant CO
      • Comparaison informelle entre CO et la contrainte imposée par le théorème d'échantillonnage de Shannon
      • Limitations des mémoires à une hypothèse - Extension du résultat d'existence à une catégorie d'ensembles finis d'hypothèses
      • Conclusion
    • Conclusion générale des deux premières parties de notre document
      • Méthodologie
      • Résultats théoriques
      • Algorithmes de sélection
    • Perspectives
      • Introduction
      • Conjecture à propos des mémoires possédant un ensemble infini d'hypothèses
      • Piste de recherche sur l'AP
      • Généralisation du processus de catégorisation pour l'utilisation de plusieurs signaux d'entrée
      • Génèse de l'information perceptive à l'aide d'actions réflexes
  
  
• A parte : Réflexion informelle autour de notre piste de recherche
  • Faits et hypothèses issues du domaine du vivant
    • Introduction
      • Avertissement
      • Formation d'une base d'observations
      • Établissement d'un ensemble d'hypothèses fondatrices de notre travail
    • Caractéristiques de l'apprentissage perceptif
      • Distinction entre apprentissage perceptif et apprentissage d'objectif
      • L'AP fournit une information perceptive soumise au paradoxe de l'évidence
      • Rôle des signaux perceptifs internes
      • Généralisation de la notion de perception aux signaux internes accompagnant le mouvement
    • Interconnexion entre perception, mémoire et action réflexe
      • Utilisation de la mémoire par le processus de perception
      • Faculté d'anticipation: résultat de l'apprentissage et clé de l'usage des connaissances
    • Importance des notions de fiabilité et de prédictibilité
      • Introduction
      • Nature de la représentation mentale: cohérence entre l'anticipation et le fait observé
      • Sensation de sécurité comme moteur de l'apprentissage
      • L'optimisation vue comme une capacité à générer un grand nombre de catégories perceptives
  • Positionnement de notre démarche scientifique
    • Introduction
    • Différentes approches de l'Intelligence
      • Introduction
      • Idées fondatrices associées à la machine de Turing - hypothèse béhavioriste
      • Idées associées à l'approche cognitive de l'intelligence
      • Idées associées à l'approche biologique de l'intelligence
      • Réflexion à propos de la démarche fonctionnaliste
      • Conclusion - Liens avec la biologie et avec le concept de la machine de Turing
    • Une certaine notion de la réalité
      • Introduction
      • Lien entre information perceptive et observation
      • Notion de la réalité, dérivée de l'information perceptive
• Annexes
  • Techniques d'apprentissage par renforcement
    • Avertissement - remerciements
    • Architecture et algorithme Q-Learning
  • Expériences autour du pendule inversé
    • Le problème du pendule inversé
    • Valeur des paramètres internes choisis pour l'algorithme Q-Learning
  • Éléments de calcul de probabilité
  • Calcul d'un estimateur $\hat{\epsilon}$ par la méthode du maximum de vraisemblance
  • Exemple d'information perceptive pour un signal mono-dimensionnel
    • Introduction et notations
    • Fiabilité des informations perceptives obtenues
    • Probabilité de découverte au hasard d'un segment orienté
    • Découverte de n tendances consécutives pour un signal de densité de probabilité uniforme
  • Relation entre le paramètre $\epsilon$ et le postulat de rareté de l'information perceptive
  • Preuves concernant la fiabilité de la détection de l'information perceptive
    • Introduction - Notations
    • Fiabilité de la détection d'une information perceptive
    • Preuve de la proposition 9
    • Preuve de la proposition 7 (paragraphe 2.3.3, page )

Bibliographie

À propos de ce document...