| Résumé | Une grande part de la recherche en apprentissage machine a trait à l'apprentissage par les exemples surveillé. D'habitude, les exemples sont représentés comme des vecteurs d'un espace de caractéristiques multidimensionnelles (également connu comme des descriptions caractéristiques-valeurs). Un enseignant découpe un ensemble d'exemples de formation en nombre de classes déterminé. La tâche de l'algorithme d'apprentissage consiste à induire un concept d'après les exemples de formation. Dans le présent document, nous distinguons formellement trois types de caractéristiques : primaires, contextuelles et non pertinentes. De même, nous définissons formellement ce que suppose la contextualité d'une caractéristique en fonction d'une autre. Les caractéristiques contextuelles compliquent la tâche de l'apprenant et risquent de faire obstacle à l'apprentissage de ce dernier. Les définitions formelles permettent à un apprenant d'identifier automatiquement les caractéristiques contextuelles. Une fois ces caractéristiques cernées, l'apprenant peut recourir à plusieurs stratégies pour les gérer. Toutefois, le présent document ne traite pas de ces stratégies. Les définitions formelles présentées ici corrigent une faille dans les définitions proposées précédemment. Nous discutons du rapport existant entre notre travail et une définition formelle pertinente. |
|---|
