ajout de la semaine 7

.gitignore

@@ -1,2 +1,29 @@
-journal_de_bord_908144032.pdf
+facture/
+*.nav
+*.snm
+*.vrb
+*.aux
+*.glo
+*.idx
+*.log
+*.toc
+*.ist
+*.acn
+*.acr
+*.alg
+*.bbl
+*.blg
+*.dvi
+*.glg
+*.gls
+*.ilg
+*.ind
+*.lof
+*.lot
+*.maf
+*.mtc
+*.mtc1
+*.out
+*.synctex.gz
+*.pdf
 

semaine07.md

@@ -0,0 +1,76 @@
+---
+header-includes:
+  - \usepackage[T1]{fontenc}
+  - \usepackage[french]{babel}
+  - \usepackage{datetime}
+  - \usepackage{hyperref}
+---
+
+# Semaine 7: 
+
+
+## Lecture 1: Intégration de réseaux de neurones dans un système à base de connaissances en Prolog
+
+Source: Ultsch, A. & Korus, D. '[Integration of Neural Networks with Knowledge-Based Systems](https://pdfs.semanticscholar.org/2565/fa17e3ca2d8e940a2bf81cdba2916a2d0952.pdf)' Proc. IEEE Int. Conf. Neural Networks, Perth/Australia, 1995.
+
+Les systèmes symboliques ont de la difficulté à traiter les données provenant de mesures, les inconsistances et le bruit. Il est difficile de définir les connaîssances acquises de l'expérience.
+
+Les réseaux de neurones permettent de pallier à ces problèmes, mais leurs raisonnements sont difficiles à expliquer.
+**Note: Un peu de la même façon que l'intuition de l'expert acquise avec l'expérience**
+
+Au départ, les réseaux de neurones sont surtout associés à des tâches de perception en comparaison avec des tâches de cognition.
+
+Enjeux:
+    
+- Détecter la structure des réseaux par le comportement collectif: Un neurone seul ne fournit aucune information utilisable pour comprendre le fonctionnement du réseau. Exemple:
+    - Self-Organizing Feature Maps (SOFM), Kohonen
+    - Haute dimensionnalité vers réseaux de neurones bidimensionnel.
+    - Difficile de voir la structure (U-matrix)
+- Acquisition intégrée des connaissances: Traiter l'information avec un réseau de neurones pour ensuite fournir le résultat à un système symbolique:
+    - Approche sig*: transférer la connaîssance des réseaux de neurones en règles à l'aide de la logique floue.
+- Introspection: Un système expert analyse son propre comportement pour éviter les mauvais chemins et arriver plus rapidement à la conclusion:
+    - Exemple du compilateur Prolog qui remontera à la source de l'erreur et prendra un autre chemin sans tenir compte de la cause de l'erreur.
+- Unification: Rattacher les nouvelles connaîssances aux connaissances précédentes:
+    - Analyse des variables dans un programme Prolog
+    - Réseau `Cube` permet l'unification
+
+## Lecture 2: Prédiction des avalanches
+
+[A HYBRID EXPERT SYSTEM FOR AVALANCHE FORECASTING](http://www.wsl.ch/info/mitarbeitende/schweizj/publications/Schweizer_etal_Hybrid_expert_system_avalanche_forecasting_1994.pdf)
+
+Échantillonnage quotidien de la neige, de la température et de la couverture de neige pour l'ensemble des Alpes suisse. Les questions: Où? Quand? Quel type?
+
+Approche déterministe: processus physique, modèles de couverture neigeuse pas suffisamment détaillés.
+
+Approche statistiques: données de plusieurs années d'observation, avanlanches des 10 journées les plus similaires.
+
+En combinant les deux modèles, on a un meilleur modèle pour les journées avec de fortes chutes de neige. Nécessite cependant des données sur le niveau de danger mesuré. 
+
+Statistique NEX_MOD: 50%
+Système expert COGENSYS: 60-70%
+Méthode synoptique (terrain): 70% 
+Performance globale de 80-85%.
+
+### Nouvelle approche
+
+Objectifs:
+
+- Degré de danger basé sur les données de neige et de météo
+- Données incomplètes ou inconsistantes
+- Explication du résultat
+- Cible de 80% de succès
+- Meilleure performance en situations critiques
+
+Composantes:
+
+- Algorithme sim_m basé sur les statistiques et la méthode U-Matrix pour explorer la structure de la carte de Kohonen, produite par un réseau de neurones automatiquement organisé non supervisé.
+- Extrait de l'article: Outils et procédures pour le développement d'un système expert hybride. 
+![Extrait de l'article: Outils et procédures pour le développement d'un système expert hybride](images/semaine07/tools-hybrid-expert-system-001.png)
+- Données du système COGENSYS
+- Pour les cas plus difficiles: 
+    - Réseau de Kohonen: visualisation de clusters dans l'espace-état des données d'entraînement
+    - Lorsqu'on ne peut obtenir une réponse en utilisant le système expert, on utiliser cet algorithme supervisé qui donne une réponse, mais sans explication. On peut aussi utiliser pour compléter les valeurs manquantes.
+
+## Lecture 3:
+
+Source: [Kohonen's SeIf Organizing Feature Maps for Exploratory Data Analysis](https://www.uni-marburg.de/fb12/arbeitsgruppen/datenbionik/pdf/pubs/1990/ultschsiemon90.pdf)