Recherche de concepts à partir de données arborescentes et imprécises

 Access to full text

 Full (PDF)

1. [1] Abiteboul S., Hull R. et Vianu V., Foundations of Databases, New-York, Addison-Wesley Publishing Company Inc, 1995. Zbl0848.68031
2. [2] Barbut M. et Montjardet B., Ordre et classification: Algèbre et Combinatoire - volume II, Paris, Hachette, 1970. Zbl0267.06001
3. [3] Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, New-York, Plenum, 1981. Zbl0503.68069MR631231
4. [4] Bezdek J.C., « A rewiew of probabilistic, fuzzy, and neural models for pattern recognition », J. intell. fuzzy syt., 1(1993), 1-25. 
5. [5] Brissac O. et Liquiere M., « Gabels: Un système d'apprentissage construit sur un modèle d'hypergraphes », Actes des 9e Journées Acquisition, Validation, Apprentissage, 1995, 89-102. 
6. [6] Conruyt N., Amélioration de la robustesse des systèmes d'aide à la description, à la classification et à la détermination des objets biologiques, thèse, Université de Paris IX, 1994. 
7. [7] Conruyt N., Grosser D. et Ralambondrainy H., « IKBS: an interactive knowledge base system for improving description, classification and identification of biological objects », Indo-French Workshop on Symbolic Data Analysis and its Applications, Université de Paris IX - LISE - CEREMADE, 1997, 212-224. 
8. [8] Daniel-Vatonne M.C., Les termes : un modèle de repésentation et structuration de données symboliques, thèse, Université Montpellier II, 1993. 
9. [9] Daniel-Vatonne M.C. et De La Higuera C., « Les termes: un modèle de représentation et structuration de données symboliques », Math. inform. sci. hum., 122(1993), 41-63. Zbl0788.68031
10. [10] Diday E., « Une représentation visuelle des classes empiétantes: les pyramides », R.A.I.R.O., 20(1986), 475-526. Zbl0592.62052MR859845
11. [11] Diday E., « Introduction à l'approche symbolique en analyse des données », Actes des journées Symboliques-Numériques pour l'Apprentissage de Connaissances à partir d'Observations, 1987, 21-26. 
12. [12] Ganter B., Two basic algorithm in concept analysis, Technical Report 831, Darmstadt, Technische Hochschule, 1984. 
13. [13] Ganter B. et Wille R., Conceptual scaling, Technical Report 1174, Darmstadt, Technische Hochschule, 1988. Zbl0703.06002MR1009375
14. [14] Ginsberg M.L., « Multivalued logics: a uniform approach to inference in artificial intelligence », Computat. intell., 4(1988), 265-316. 
15. [15] Girard R., Classification conceptuelle sur des données arborescentes et imprécises, thèse, Université de La Réunion, 1997. 
16. [16] Godin R., Missaoui R. et Alaoui H., « Incremental concept formation algorithms based on Galois (concept) lattices », Computat. intell., 11(1995), 246-267. 
17. [17] Jappy P., Daniel-Vatonne M.C., De La Higuera C. et Gascuel O., « Learning from recursive, tree structured examples », Proceedings of the seventh European Conference on Machine Learning, LNAI 784, Berlin, Springer, 1994, 367-370. 
18. [18] Lebbe J., Représentation des Concepts en Biologie et en Médecine, thèse, Université Pierre et Marie CurieParis IV, 1991. 
19. [19] De Pinho M.P., Analyse de données symboliques - Pyramides d'héritage, thèse, Université de Paris XIDauphine, 1991. 
20. [20] Quinlan J.R., « Learning logical definitions from examples », Machine Learning, Los Altos, Morgan Kaufman, 5(1994), 239-266. 
21. [21] Ralambondrainy H., « Apprentissage dans le contexte d'un schéma de base de données », Induction Symbolique et Numérique à Partir de Données, Paris, Dunod, 1991, 241-255. 
22. [22] Sallantin J., Quinqueton J., Barboux C. et Aubert J.P., « Les théorie semi-empririques: éléments de formalisation », Rev. intell. artif., 5(1991), 93-107. 
23. [23] Wille R., « Restructuring lattice theory: an approach based on hierarchies of concepts », Ordered Sets, I.Rival Ed., 1982, 445-470. Zbl0491.06008MR661303
24. [24] Winston P.H., « Learning structural descriptions from examples », The psychology of Computer Vision, New-York, MacGraw Hill, 1975, chapitre 5. MR395290