AI Glossary
The complete dictionary of Artificial Intelligence
Programmation Logique Inductive (PLI)
Paradigme d'apprentissage automatique qui combine la programmation logique et l'apprentissage pour induire des théories logiques, comme des règles ou des programmes, à partir d'exemples et de connaissances de fond.
Apprentissage par Contrainte
Cadre d'apprentissage où le modèle est construit en satisfaisant un ensemble de contraintes dérivées des données, souvent utilisé pour structurer l'espace de recherche dans des problèmes complexes.
Théorie de Fond (Background Knowledge)
Ensemble de faits, de règles et de définitions préexistants fournis au système PLI pour guider le processus d'induction et restreindre l'hypothèse apprise.
Exemples Positifs et Négatifs
Données d'entraînement en PLI où les exemples positifs sont des instances que le concept cible doit couvrir, et les exemples négatifs sont des instances qu'il doit éviter.
Hypothèse Inductive
La règle ou le programme logique généré par le système PLI qui explique les exemples positifs tout en étant cohérent avec les exemples négatifs et la théorie de fond.
Règle de Couverture (Covering Rule)
Stratégie d'induction où une règle est apprise pour couvrir un sous-ensemble d'exemples positifs, puis ces exemples sont retirés et le processus est répété jusqu'à ce que tous les exemples soient couverts.
Spécialisation et Généralisation
Opérations fondamentales en PLI pour naviguer dans l'espace des hypothèses ; la généralisation élargit la couverture d'une règle, tandis que la spécialisation la restreint pour éviter les exemples négatifs.
Biais Inductif
Ensemble de contraintes ou d'assomptions qui limitent l'espace des hypothèses possibles en PLI, essentiel pour rendre l'apprentissage réalisable et guider vers des solutions pertinentes.
Système PLI (ILP System)
Logiciel implémentant des algorithmes de Programmation Logique Inductive, tel que Progol, Aleph ou TILDE, capable d'induire des logiques à partir de données.
Interprétation des Modèles
Avantage clé de la PLI où les modèles appris sont des ensembles de règles logiques explicites et facilement compréhensibles par les humains, contrairement aux boîtes noires.
Apprentissage Relationnel
Sous-domaine de l'apprentissage automatique qui traite des données décrites par des relations entre des objets, pour lequel la PLI est particulièrement bien adaptée.
Dérivation Bottom-Up
Approche d'induction en PLI qui part d'un exemple positif spécifique et généralise progressivement la clause pour couvrir plus d'exemples, comme dans l'algorithme GOLEM.
Dérivation Top-Down
Approche d'induction en PLI qui part d'une clause très générale et la spécialise pour exclure les exemples négatifs, typique des systèmes comme Progol.
Principe de Compression Minimale (MDL)
Critère d'évaluation en PLI qui favorise l'hypothèse offrant le meilleur compromis entre la complexité de la théorie et sa capacité à encoder les données, visant la compression la plus courte.
Apprentissage de Programmes (Program Synthesis)
Application de la PLI visant à découvrir automatiquement un programme informatique exécutable à partir de spécifications ou d'exemples d'entrées/sorties.
Révision de Théorie
Tâche en PLI consistant à modifier une théorie logique existante pour la rendre cohérente avec de nouvelles observations, en ajoutant, supprimant ou modifiant des règles.
Apprentissage de Définitions Prédicatives
Objectif principal en PLI où l'on cherche à apprendre la définition logique d'un prédicat cible (ex : `parent(X,Y)`) à partir d'exemples et de connaissances de fond.
Négation par l'Échec (Negation as Failure)
Concept de programmation logique où une condition négative est considérée comme vraie si la condition positive correspondante ne peut pas être prouvée, souvent utilisé dans les hypothèses PLI.
Espace de Recherche d'Hypothèses
Ensemble de toutes les clauses logiques possibles que l'algorithme PLI peut explorer, structuré et parcouru à l'aide de stratégies comme la généralisation ou la spécialisation.