L'Apprentissage supervisé dans les modèles connexionnistes

La these est consacree a l'apprentissage dans les modeles connexionnistes. Elle expose en detail les problemes theoriques souleves par une classe particuliere de reseaux d'automates: les reseaux multi-couches lineaires ou quasi lineaires dans l'apprentissage supervise. Des notions comme celles de memorisation et de generalisation y sont discutees de facon theorique et illustrees d'exemples. Les parametres relatifs a la construction d'un reseau tel que le nombre d'automates et de couches, le mode d'iteration, y sont testes pour mettre en lumiere leur influence sur les performances attendues. Des comparaisons sont effectuees entre les reseaux d'automates et des techniques mieux connues comme la reconnaissance des formes et l'analyse des donnees. Un resultat theorique permet de constater une analogie entre une certaine categorie de reseaux multi-couches et l'analyse discriminante. Les resultats obtenus sont a la fois theoriques et experimentaux: une serie de simulations montre que l'utilisation d'architectures complexes peut permettre une amelioration tres importante des performances. La derniere partie presente une application originale des reseaux a la resolution d'un probleme reel dans le domaine oceanographique, montrant l'efficacite de ces methodes de traitement de l'information