IC

Introduction:
Machine Turning:
bande infinie, tete de lecture.

machine turing is composed with: (Q, Γ, B, Σ, q0 , 𝛿, F ):

Q ensemble d’états fini. (q0, q1 ..etc)

Γ alphabet du travail. (0, 1, a, b, c ... etc)
B ou # ∈ Γ symbole particulier dit "blanc". (fin)
Σ alphabet des entrées (Σ ∈ (Γ / B)). (first letter to be read)
q0 ∈ Q l’état initial.
𝛿, Fonction de transition.
F ⊆ Q l’ensemble des états finaux.

Exemple:
bande: abababaaaa

current state: q

=> bande becomes: ababaqbaaaa

Configuration:
SqT , where:

q: current state
S: content in the left; ex: ababa
T: content in the right; ex: baaaa

At the start: q0 w

where: w is the word we are going to test.

Transition:
Une transition de la forme p, a → q, b, X, where:

p: current state
q: next state
a: current letter, and it's going to be replaced with b
 X: direction (G: gauche; D: Droite).

Exemple:
ucpav → uqcbv si p, a → q, b, G est une transition.

upav → ubqv si p, a → q, b, D est une transition.

Note: a is always the letter to the right of p the current state, even if going to the left.

Exemple:

Déterminez dans une suite de 0 et de 1 si le nombre de 1 est

pair. Pour cela on va utiliser une un simple automate (machine Turing)

et ça sortie nous donnera 1 si le nombre de 1 est impair, 0 sinon.

start from q1, read all the zeros and stay in q0, if we read 1, we go back and forth to and
from q2 and we end-up in q1, this means that number of 1 is pair , else it's impair .

Logique et prédicat:
Introduction:
L’alphabet de la logique des prédicats est constitué de:

un ensemble dénombrable de symboles de prédicats à 0, 1, ou plusieurs arguments,

notés p, q, r, ..., homme, mortel, père...
un ensemble dénombrable de variables d’objets (ou variables d’individu), notées x, y, z,
x1, x2, ...
un ensemble dénombrable de fonctions à 0, 1, ou plusieurs arguments, notées f, g, ... ,
père-de, ...
les quantificateurs ∀ et ∃
 les connecteurs FALSE, ∼, ∧, ∨, → ainsi que les parenthèses de la logique
propositionnelle

Priorité des opérateurs:

1∀∃
2∼
3∧∨
4→←
∼ x ∨ y → z, signifie (∼ x) ∨ y → z
∀x y → z, signifie (∀x y ) → z différent de ∀x (y → z)

Varible libre/liée et formule ouverte/fermée:

Une occurrence d’une variable est libre si elle n’est dans la portée d’aucun
quantificateur. Sinon elle est liée.
Une formule est fermée si elle ne contient pas de variables libres. Sinon elle est ouverte.
Une formule fermée est aussi appelée proposition.

Sémantique du calcul de prédicats:

Formule fermée => vrai/faux.
Une formule bien formée contenant des variables libres ne peut pas etre interprétée.

Validité, Insatisfabilité, Conséquence, Complétude:

Validité:
Une fbf A est une tautologie (valide) si et seulement si elle est vraie dans toute
interprétation ; on écrit alors : |= A
∼ A ∨ A est une formule valide
Une fbf est invalide si et seulement si elle n’est pas valide:
A ∨ B ou A ∧ B sont deux formules invalides il suffit que A et B soient fausses

Insatisfabilité:
Une fbf est inconsistante ou insatisfiable si et seulement si elle est fausse dans toute
interprétation
∼ A∧ A
Une fbf A est consistante ou satisfiable
si et seulement si elle n’est pas inconsistante
si il existe une interprétation i telle que i[A] = V
si elle admet un modèle
 A ∨ B et A ∧ B sont deux formules consistantes il suffit que A et B soient vraies.

Modèle d’une formule:

Une formule F est vraie pour une interprétation I et on note I |= F , si et seulement si,
toute valuation satisfait F pour l’interprétation I. Dans ce cas, I est appelée modèle de F.
Autrement dit : I |= F (quel que soit V, I |= Fv ).
Soit F la formule P (f(x, y), x). Disant que D = N
I (P) =’>’, I (f ) : succeseur de x.
On dit alors, I |= F

Conséquence logique:
A est une conséquence logique de E si et seulement si toutes les interprétations qui
rendent vraies toutes les formules de E rendent vraie la formule A. On écrit alors E |= A.
On dit qu’une formule C est une conséquence logique de H1 ...Hn
si et seulement si tout modèle de H1 ...Hn est un modèle de C
si et seulement si H1 ∧ H2 ∧ ... ∧ Hn → C est valide. Dans ce contexte les formules
Hi sont les hypothèses et C est la conclusion.

Représentation des connaissance en logique des

prédicats:
Universel affirmatif:
∀x(f (x) → g (x))
Tout F est G
Tout ce qui est F est G
N’importe lequel F est G
Les F sont tous G
Si un être quelconque est F, il est G
Chaque F est G
Seuls les G sont F

Universel négatif:
∀x(f (x) → ∼ g (x))
Aucun F n’est G
Il n’y a aucun F et G
Rien n’est à la fois F et G
Les F et G n’existent pas

Particularité affirmative:
 ∃x(f (x) ∧ g (x))
Quelque F est G
Il y a des F et G
Quelque chose est à la fois F et G
Il y a un F et G
Des F et G existent

Particularité négative:
Particularité négative
∃x(f (x)∧ ∼ g (x))
Quelque F n’est pas G
Il y a des F et non G
Quelque chose est à la fois F et non G
Il y a un F et non G
Des F et non G existent

Systemes Experts:
Introduction:
Les objectifs d’un Systèmes Experts SE:
1 Rendre une expertise accessible à tous.
2 Approcher au mieux la perfection.
3 Décortiquer le raisonnement expert pour expliquer.
4 Rendre une connaissance experte insensible au temps.

En un mot, simuler le comportement d’un expert humain sans avoir les petits (et
grands) défauts de la nature humaine.

Systemes experts
Un SE utilise des connaissances d’un domaine pour fournir des performances
comparables a celles d’un expert humain.
Un SE est un programme qui utilisent des stratégies heuristiques pour la résolution des
problèmes spécifiques.
La solution fournie par le système doit être évaluée par un expert humain et ceci dans le
but de modifier l’information contenue dans la base de connaissances.

Architecture:
Base de connaissances = faits + règles + méta-règles.
Faits (Variables): Contient les données spécifiques liées à l’application traitée. Elle
peut contenir aussi les solutions intermédiaires ou les conclusions partielles
trouvées lors de l’inférence. (mémoire a court terme)
Règles (Equations): Elle rassemble la connaissance et le savoir-faire de l’expert. Elle
n’évolue donc pas au cours d’une session de travail.
Méta-règles : règles sur la manière d’utiliser les règles.
Moteur d’inférence: mécanisme de raisonnement, indépendant du domaine et du
problème.

Systèmes Experts: Représentation des connaissances:

Les réseaux sémantiques, les prototypes, les objets
Proche de la pensée humaine (compréhension aisée)
La logique, les règles de production
Proche des mécanismes de raisonnement
Les procédures
liées à notre conception actuelle des ordinateurs

Systèmes à base de règles de productions:

Les systèmes à base de règles de production traite la connaissance sous forme de règles
”Si....ALORS”
 Ce qui est entre ”Si” et ”ALORS” s’appel, la prémisse de la règle.
Une conjonction d’expressions qui doivent être vérifiées pour que la règle se
déclenche
Ce qui est après le ”ALORS” s’appel, la conclusion

- Une conjonction d’actions déclenchées sur la base de faits.

Re: Si Prémisse ALORS conclusion .

Règles et moteur d’inférence:

Le chaı̂ nage avant, signifie que le raisonnement est guidé par les données.
La chaı̂ nage arrière, signifie que le raisonnement est guidé par le but.

Le raisonnement incertain: méthodes

Bayésiennes et facteurs d’incertitudes:
Intorduction:
Sources d’incertitudes dans les SE:
Langage imprécis.
Données inconnues.
Opinions de différents experts.
Plusieurs méthodes existent pour travailler avec des incertitudes.

Le raisonnement incertain:
Si E est VRAI alors H est VRAI avec probabilité p.

P(A/B) = (P(A)∗P(B/A)) / P(B). - (Théorème de Bayes)

P(A) ∗ P(B/A)=P(B ∩ A)=P(B) ∗ P(A/B)
P(B) = P(B/A) ∗ P(A) + P(B/Ā) ∗ P(Ā)
Dans notre vie on utilise souvent les probabilités, probabilité que événement x se
réalise.
P(A(hypothese)/B(observations))= (P(B/A)∗P(A)) / P(B).

Exemple:
Induction Bayésienne: hypothèses multiples:
Pour utiliser le théorème de Bayes, on suppose que les preuves

Ei ont une indépendance conditionnelle.

Donc, on écrit:

P(Hi /E1 , ..., En ) = (P(E1 /Hi )∗...∗P(En /Hi )∗P(Hi )) / (P(E1 )∗...∗P(En )).

Il y a deux conditions majeures pour le théorème de Bayes:

Toutes les probabilités des relations entre les différentes preuves et hypothèses doivent
être connues.
Toutes les relations probabilistes entres les différentes preuves doivent être connues.
Toutes les relations entre les différentes hypothèses et preuves, p(Ei|Hk), doivent être
indépendantes.

Facteurs d’incertitudes:
Pour une hypothèse donnée H et une preuve E, des mesures doivent être affectées:
Mesure de croyance MB(H/E), et mesure de non-croyance MD(H/E).
Le facteur de certitude est: CF(H/E)=MB(H/E)-MD(H/E).
CF(H/E)∈ [−1; 1] puisque, MB(H/E) et MD(H/E) ∈ [0; 1]
 -1: totalement faux, +1: totalement vrai.

Relations:
La propagation de certitude:
R1 : SI F1 ET F2 ALORS C1
R2 : SI F1 OU F2 ALORS C2
CF(F1 ET F2) = min (CF(F1), CF(F2))
CF(F1 OU F2) = max (CF(F1), CF(F2))
CF(C)= CF (R) ∗ CF (F ).
CF(C): facteur de certitude de la conclusion.
CF(R): facteur de certitude de la règle.
CF(F): facteur de certitude des prémisses.
Propagation avec des règles à conclusions similaires:

Considérons maintenant le cas où deux règles R1 et R2 (ou plus) aboutissent à la même

conclusion C.
R1: SI E1 ALORS H CF(R1)
R2: SI E2 ALORS H CF(R2)
CFR1 (H) = CF (R1) ∗ CF (E 1)
CFR2 (H) = CF (R2) ∗ CF (E 2)

SICFR1 (H) > 0 et CFR2 (H) > 0

CF (H) = CFR1 (H) + CFR2 (H) − CFR1 (H) ∗ CFR2 (H)

SICFR1 (H) < 0 et CFR2 (H) < 0

CF (H) = CFR1 (H) + CFR2 (H) + CFR1 (H) ∗ CFR2 (H)

SINON:

CF (H) =(CFR1 (H)+CFR2 (H)) / (1−min(|CFR1 (H)|,|CFR2 (H)|))