Apprentissage supervise sous contraintes de performance

Ce livre traite de l'apprentissage et de la qualification de rčgles de décision dans un cadre multihypothčse avec rejet sélectif et contraintes de performance. Le processus d'apprentissage consiste ŕ formuler le problčme comme un problčme d'optimisation avec contraintes. L'apprentissage est réalisé pour différentes familles de rčgles définissant des ensembles de solutions de complexité croissante. Pour chaque rčgle, le critčre optimisé dépend ŕ la fois de la rčgle de décision et des poids attribués aux contraintes lors du processus d'apprentissage. La sélection d'une rčgle parmi les candidates nécessite la définition d'un critčre commun. Une proposition de critčre est faite et les modalités de son estimation sont discutées. Deux méthodes d'apprentissage, reposant sur une modélisation des densités de probabilité et sur des monoclasse-SVMs, sont introduites. Plusieurs extensions sont étudiées, notamment le traitement de contraintes évolutives et l'utilisation des cascades de classifieurs pour améliorer la fiabilité de la décision. Des applications sur des données standard et celles des tumeurs cancéreuses viennent attester les approches proposées.