Qu'entendons-nous par ``qualité'' du contexte d'apprentissage ?

Un algorithme d'AR utilise des données provenant d'un contexte sur lequel il ne peut pas agir. Ce contexte est formé principalement des éléments suivants:

• la topologie des états du système
• la dynamique du système
• la nature et la qualité des données d'entrée
• les actions du système lui permettant de changer d'état
• les paramètres internes à l'algorithme, que celui-ci ne peut pas modifier au cours de son exécution

Nous pensons que l'adéquation entre la topologie des états du système, la dynamique du système, la nature et la qualité des données d'entrée et les actions du système est nécessaire à l'obtention d'un bon résultat d'apprentissage. Nous proposons un moyen de quantifier cette adéquation, utilisant l'entropie associée aux résultats possibles de l'exécution d'une action, c'est-à-dire aux différents états auxquels le système peut parvenir après avoir exécuté une action, connaissant l'état au moment de l'exécution de celle-ci. En cela, nous regardons l'action comme une faculté discriminante de la perception (état du système). Cette idée est une hypothèse développée dans le cadre du vivant: nous en reparlerons dans la troisième partie de ce document de thèse.
La ``qualité'' du contexte d'apprentissage est représentée par la mesure de l'adéquation présentée ci-dessus. L'objet de cette section est de spécifier cette mesure, qui est utilisée classiquement en théorie de l'information et en théorie de la décision.