Ajout lecture 4 partielle

semaine07.md

@@ -8,7 +8,6 @@ header-includes:
 
 # 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.
@@ -83,7 +82,56 @@ La méthode Unified Matrix (U-Matrix) permet de retrouver les clusters en créan
 
 ## Lecture 4: Intégration des réseaux de neurones dans les SaBC avec la logique floue
 
-[Using Fuzzy Logic to Integrate Neural Networks and Knowledge-based Systems}(https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19910012475.pdf)
+[Using Fuzzy Logic to Integrate Neural Networks and Knowledge-based Systems](https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19910012475.pdf)
+
+### Deux problématiques
+
+1. Intégration des réseaux de neurones et du raisonnement symbolique
+1. Suivi de la performance et contrôle des réseaux de neurones
+
+Les règles d'inférence floues permettent de combiner l'information symbolique avec les données en sortie des réseaux de neurones.
+
+Les réseaux de neurones sont des modules qui font de la classification de données sensorielles et dont la sortie est imprécise. Ils permettent une classification flexible, l'association de données et l'apprentissage adaptatif.
+
+### Conception
+
+Un système hydride composé de plusieurs réseaux de neurones coopératifs. Ce système est modulaire, flexible et extensible
+
+1. Deux chemins pour les données:
+    - Senseurs $\rightarrow$ Réseaux de neurones $\rightarrow$ Règles floues
+    - Base de données factuelles $\rightarrow$ Raisonnement logique de premier ordre $\rightarrow$ Règles floues
+    - Règles floues $\rightarrow$ Résultats
+    - Règles floues $\rightarrow$ Explications
+1. Système qui surveille le réseau de neurones et en évalue la performance pour ensuite pouvoir apporter des modifications
+
+Règles floues:
+
+- Inférence (sortie des réseaux de neurones)
+- Action (Activer, entraîner, modifier le réseau de neurones)
+
+### Plus haut niveau: approche fonctionnelle
+
+Propriétés désirables:
+
+- Les règles floues appellent un réseau de neurones pour tester une condition
+- L'action sur un réseau de neurones selon le degré d'appariement d'une règle
+- Description et comportement du réseau de neurones représentés dans un schéma (frame)
+- Tâches de contrôle:
+    - Symbolique vers réseau de neurones
+    - Orienté objet, partage des méthodes communes et surcharge des opérateurs possible
+
+### Technologies complémentaires
+
+Le réseau de neurones:
+    - Performance qui dégrade lentement avec la réduction de la qualité des entrées. Par rapport à un système expert qui décroit rapidement en performance face à l'inconnu ou à la mauvaise qualité des entrées
+    - Bons dans une seule tâche, on peut en avoir besoin de plusieurs
+    - Difficile d'expliquer la sortie
+
+On adresse ces problèmes avec la logique floue.
+
+### Problèmes des approches hybrides courantes
+
+