Les entreprises, et de façon générale

les organisations, soumises au besoin vital

de traiter les flots d'informations qui les

environnent, mettent en place de nouveaux

systèmes spécialisés dans la gestion de

la collecte et du traitement de l'information.

Pour cela, il est nécessaire de disposer d'une

architecture technique spécifique, capable

d'affronter le défi de l'ampleur des volumes

(stockage) et des traitements (analyse).

Confrontées aux changements, ces mêmes

organisations doivent de plus modifier

leurs outils ou modèles de traitement

des données, qui doivent pouvoir s'auto-adapter

à une situation nouvelle, améliorer

leurs performances, leur efficacité, etc.

Une connaissance (métaconnaissance)

doit pouvoir intervenir sur la connaissance

(un modèle) qui traite les informations.

L'acquisition automatique de cette méta-connaissance

est appelée méta-apprentissage.

C'est le sujet de cet ouvrage, qui présente

des recherches effectuées dans le cadre du

méta-apprentissage d'expériences.

Le méta-apprentissage d'expériences consiste

à apprendre automatiquement une méta-connaissance

à partir d'exemples,

d'expériences, de données, de façon

à agir ultérieurement sur la connaissance

pour obtenir de meilleurs résultats ou

des informations prédictives.

L'ouvrage explicite les algorithmes

et leurs capacités à traiter certains types

de problèmes, notamment dans un

environnement distribué. Il propose de

nombreuses solutions originales qui peuvent

être exploitées par des chercheurs ou

des ingénieurs développeurs d'applications,

notamment en data mining. Ces nouvelles

approches donnent des résultats faciles

à interpréter par l'utilisateur. Un outil gratuit,

fonctionnant dans l'environnement Windows,

est décrit.