---
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)