• Maîtriser un ensemble de cadres théoriques non classiques pour l’exploitation de l’information dans les systèmes complexes.
• Rechercher la meilleure exploitation des informations véhiculées dans les systèmes complexes.
• Appréhender le développement de chaînes de traitement cohérentes à partir d’exemples d’application.

L’objectif de la formation est de présenter une variété de cadres théoriques avancés pour l’exploitation de l’information dans les systèmes complexes, théories propres à répondre de façon circonstanciée aux différentes difficultés rencontrées lors du développement de tels systèmes.
Ce séminaire est dédié à l’ensemble des nouveaux traitements avancés dans le domaine des traitements de l’incertain, des réseaux neuronaux, des multi-agents, des approches modernes de l’optimisation, de la décision multicritère… Chaque théorie est présentée de façon approfondie et didactique (fondements, outils disponibles, mise en œuvre), et ses applications possibles sont discutées le plus largement possible. Chaque théorie est également située par rapport à ses voisines les plus proches, et en particulier par rapport à des approches plus traditionnelles ayant des objectifs similaires.

Théorie des sous-ensembles flous
- Caractère graduel des informations subjectives
- Éléments de théorie des ensembles flous et de logique floue
- Règles floues
- Modèles flous de systèmes
- Applications

Théorie des possibilités
- Informations incomplètes
- Éléments de théorie des possibilités
- Calcul d’intervalles flous
- Possibilité et probabilité : un cadre général pour la représentation de l’incertain

Théorie des fonctions de croyance : les fondements
- Formalisme, modélisation des données et des informations, mesures d’information
- Mise en œuvre des opérateurs : gestion de la fiabilité, combinaison, gestion du conflit, gestion des référentiels, propagation de la connaissance, décision

Théorie des fonctions de croyance : mise en œuvre
- Mise en œuvre pratique : mise en correspondance, fusion de données, classification, pistage
- Exemples d’application

Apprentissage supervisé, convexité et efficacité (Machines à noyaux et réseaux de neurones artificiels)
- Apprentissage supervisé d’un grand volume de données
- L’approche convexe : les SVM
- Les méthodes de « chemin de régularisation »
- L’approche non convexe : les réseaux de neurones
- Exemples d’application

Décision multicritère : méthodes et outils
- Méthodes de surclassement
- Méthodes MAUT
- Au-delà de la somme pondérée, l’intégrale de Choquet
- Importance et interaction entre critères, veto, tolérance, symétrie
- Outils et applications

Algorithmes évolutionnaires
- Notions de base
-  Efficacité des algorithmes évolutionnaires
- Modèles non standards et évolution interactive
- Mise en œuvre pratique, exemples d’applications

Systèmes multi-agents
- Les concepts multi-agents
- Application à la gestion des interactions dans les systèmes complexes
- Mise en œuvre pratique, exemples