Idée directrice du chapitre

Nous avons émis l'hypothèse d'un apprentissage structuré en deux phases. Tout d'abord, une phase d'apprentissage perceptif, destinée à créer un processus de catégorisation des signaux d'entrée: la topologie des états du système est directement liée à celle des catégories formées par apprentissage. Ensuite, nous supposons l'existence d'une phase d'apprentissage de l'atteinte d'un objectif précis. Cette dernière possède comme contexte la topologie des états formés par la phase d'apprentissage perceptif. L'établissement de l'algorithme d'apprentissage perceptif se fondera sur l'idée que celui-ci doit aboutir à la construction d'états respectant la propriété ( $P_{\epsilon }$). Cela sera développé dans la deuxième partie de ce document de thèse.
Dans ce chapitre, nous nous intéressons à l'apprentissage de l'atteinte d'un objectif, en supposant que le contexte d'apprentissage est idéal, c'est-à-dire qu'il respecte la propriété ( $P_{\epsilon }$). Nous rappelons que ce contexte est caractérisé par des mesures $H_{1}$ et $H_{2}$ très proches de 0 (voir le premier chapitre).
Nous avons montré dans le chapitre précédent que le contexte de l'algorithme d'apprentissage influe sur la qualité de l'apprentissage, rendant la nature du résultat obtenu peu prédictible et la fiabilité de celui-ci incertaine. Notre objectif est d'établir un algorithme dont le seul contexte est la topologie des états du système, construite à partir de l'apprentissage perceptif. En particulier, nous souhaitons éviter l'introduction de paramètres internes, non accessibles à l'algorithme en lui-même, dont la valeur pourrait influencer la nature du résultat de l'apprentissage. Nous désirons également que cet algorithme soit prédictible, c'est-à-dire que son résultat soit significatif de la possibilité ou l'impossibilité d'obtenir une solution au problème d'atteinte d'objectif (avec un ensemble d'états donné). Enfin, nous souhaitons que la solution dégagée, si elle existe, soit fiable.