|
Sujet de Master 1 (stage d'été)
Titre |
Discrétisation automatique des attributs numériques de règles de caractérisation |
Auteur(s) |
Véronique Masson, Florimond Ployette
|
Début |
à partir de mai 2012 |
Description |
Dans le cadre d'un système d'aide à la décision pour l'amélioration de la qualité des eaux des bassins
versants, des règles de caractérisation des situations polluantes et des situations non-polluantes ont
été apprises automatiquement à partir d'exemples de ces situations. Deux algorithmes de
recommandation d'actions, ont été également implémentés (en Java) afin de déterminer, à partir des
règles apprises, des actions susceptibles d'améliorer une situation polluante.
L'ensemble des règles apprises est déterminant pour notre système, d'une part puisqu'il représente
les relations présentées à l'utilisateur (agronome, gestionnaire de bassin versant) entre
caractéristiques des situations et pollution (ou non); et d'autre part parce que cet ensemble de règles
sert à la construction des actions recommandées. Or ces règles comportent un certain nombre
d'attributs numériques dont les valeurs seuils restent difficiles à interpréter. Nous ne pouvons ainsi
pas définir facilement la similarité de deux règles pour un même attribut.
Le but de ce stage est d'utiliser un ou plusieurs outils de classification (clustering, etc) pour
déterminer les intervalles intéressants des attributs numériques et rendre l'ensemble des règles
apprises plus interprétable.
Dans l'un de nos algorithmes de recommandation d'actions, chaque action est déterminée à partir
d'un sous-ensemble précis, dit clique, de règles apprises. L'utilisation de ce sous-ensemble pour la
discrétisation des valeurs numériques sera aussi à étudier.
Une synthèse et analyse des différentes discrétisations obtenues conclura ce travail.
Mots-clés: intelligence artificielle, classification, apprentissage symbolique, aide à la décision
|
|