Fuzzy logic pattern in text and image data analysis
Lawrence Nderu · 2015
La logique floue est aujourd'hui universellement admise comme discipline ayant fait ses preuves a l'intersection des mathematiques, de l'informatique, des sciences cognitives et de l'Intelligence Artificielle. En termes formels, la logique floue est une extension de la logique classique ayant pour but de mesurer la flexibilite du raisonnement humain, et permettant la modelisation des imperfections des donnees, en particulier, les deux imperfections les plus frequentes : l'imprecision et l'incertitude. En outre, la logique floue ignore le principe du tiers exclu et celui de non-contradiction.Nous n'allons pas, dans ce court resume de la these, reprendre et definir tous les concepts de cet outil devenu desormais classique : fonction d'appartenance, degre d'appartenance, variable linguistique, operateurs flous, fuzzyfication, defuzzication, raisonnement approximatif … L'un des concepts de base de cette logique est la notion de possibilite qui permet de modeliser la fonction d'appartenance d'un concept. La possibilite d'un evenement differe de sa probabilite dans la mesure ou elle n'est pas intimement liee a celle de l'evenement contraire. Ainsi, par exemple, si la probabilite qu'il pleuve demain est de 0,6, alors la probabilite qu'il ne pleuve pas doit etre egale a 0,4 tandis que les possibilites qu'il pleuve demain ou non peuvent toutes les deux etre egales a 1 (ou encore deux autres valeurs dont la somme peut depasser 1).Dans le domaine de l'informatique, l'apprentissage non supervise (ou « clustering ») est une methode d'apprentissage automatique quasi-autonome. Il s'agit pour un algorithme de diviser un groupe de donnees, en sous-groupes de maniere que les donnees considerees comme les plus similaires soient associees au sein d'un groupe homogene. Une fois que l'algorithme propose ces differents regroupements, le role de l'expert ou du groupe d'experts est alors de nommer chaque groupe, eventuellement diviser certains ou de regrouper certains, afin de creer des classes. Les classes deviennent reelles une fois que l'algorithme a fonctionne et que l'expert les a nommees.Encore une fois, notre travail, comme tous les travaux du domaine, vise a adapter les modeles traditionnelles d'apprentissage et/ou de raisonnement a l'imprecision du monde reel. L'analyse des sentiments a partir de ressources textuelles et les images dans le cadre de l'agriculture de precision nous ont permis d'illustrer nos hypotheses. L'introduction par le biais de notre travail du concept de motifs flous est sans aucun doute une contribution majeure.Ce travail a donne lieu a trois contributions majeures :