Equipe ML

Equipe ML

                             Machine Learning

 

 

Chef d'equipe: Dr.NEMISSI MOHAMED

L'équipe machine learning (ML) est crée, avec des chercheurs ayant une trajectoire assez longue dans le domaine de l'apprentissage artificiel pour le partage d‟expertises sur les approches numériques et symboliques appliqués à différents domaines et la mise en oeuvre de tels mécanismes sur des systèmes artificiels. Les trois points suivants balisent assez bien le domaine d'activités de l'équipe et ses objectifs :

  • Développement de systèmes Intelligents et autonomes à base de méthodes d‟apprentissage destinés aux applications de la prise de décision temps réel ;
  • Développement d‟algorithmes combinant les avantages apportés par les différentes hybridations possibles en évaluant la qualité de la réponse fournie par le système.
  • Faire bénéficier de nombreuses disciplines de l‟essor de ces systèmes intelligents : domaine médical pour l‟aide au diagnostic, dans le domaine industriel la détection de pannes ou de défauts de fabrication d‟un produit (contrôle non destructif)

    Fondements Scientifiques

    Les recherches de l'équipe « ML », sont centrées autour de l'apprentissage automatique, c'est à dire l'étude d'algorithmes et/ou de systèmes artificiels capables d'acquérir des « connaissances» à partir de données externes, ainsi que de la modélisation de systèmes complexes capables d'apprentissage. Les origines diverses et les compétences complémentaires des membres de l'équipe actuelle constituent un atout pour aborder l'apprentissage de façon pluridisciplinaire et pour mettre en oeuvre de nouvelles approches, englobant tout à la fois les paradigmes numérique et symbolique. Cette diversité d'approches nous permet d'avoir des collaborations avec d'autres chercheurs et équipes sur des domaines variés. Voici les points les plus saillants :

    1) Apprentissage de fonction Nos recherches s'articulent sur :

  • La conception de classificateurs d'aide à la décision dans différents domaines ;
  • La proposition d'autres approches de classification par hybridations de méthodes pour améliorer les systèmes existants ;
  • La mise au point de systèmes permettant d'une part d'utiliser chacune de ces méthodes et d'autre part de combiner les avantages des différentes approches.
  • la conception et l'étude des algorithmes de contrôle d'agents dans des situations où des exemples ne sont pas disponibles ;
  • L'application au contrôle et à la modélisation et à la simulation du comportement animal et humain.

    2) Système multi-agents et contrôle optimal Cet axe aura pour objectifs :

  • la conception et l'étude des algorithmes de contrôle d'agents dans des situations où des exemples ne sont pas disponibles ;
  • L'application au contrôle et à la modélisation et à la simulation du comportement animal et humain.
  • 3) Résolution des problèmes de prise de décision et d’optimisation Cette thématique abordera les environnements complexes voir incomplètement définis par les objectifs suivants :

  • La conception d'outils d'analyse de manière autonome les données issues de l'environnement (imprécis et/ ou incertain) ;
  • Le développement des systèmes d'aide à la décision approprié à l'environnement ;
  • L'élaboration de stratégie d'optimisation dans les problèmes complexes.