L'apprentissage artificiel et la fouille de données prennent chaque jour plus d'importance, tant dans le monde de la recherche académique que dans l'industrie. La mise en valeur de données est devenue une activité stratégique dans de nombreux secteurs : vente et marketing, services web, logistique...

L'apprentissage artificiel, discipline au croisement de l'informatique et des statistiques, et entretenant des liens avec d'autres communautés scientifiques aussi diverses que la physique, les sciences du langage ou le traitement du signal tente de répondre aux nouveaux défis posés par les innombrables applications de la fouille de données : nouveaux types de données (structurées, graphes, réseaux sociaux), grande dimension des problèmes à traiter.

L'équipe "Apprentissage Artificiel & Applications" (A3) du Laboratoire d'Informatique de Paris-Nord (LIPN) a organisé en avril 2008 la troisième édition des journées thématiques sur l'apprentissage et la fouille de données, centrée autour de l'utilisation des techniques d'apprentissage artificiel pour l'analyse et l'exploration de données afin d'en comprendre le sens, de déceler des relations entre des événements, d'en déduire des modèles de comportement.

Le présent numéro spécial de la revue RNTI est le prolongement de ces journées, qui ont été l'occasion de faire le point sur l'état de l'art des techniques et des applications utilisant l'apprentissage artificiel dans le domaine de la fouille de données, et d'établir un dialogue entre chercheurs et industriels oeuvrant dans ces domaines. Les articles sélectionnés pour ce numéro couvrent différents aspects de l'apprentissage artificiel.

• Modélisation probabiliste de collections textuelles et distributions de mots
• Etude comparée des performances de SVM multi-classes en prédiction de la structure secondaire des protéines
• Un modèle génératif pour l'apprentissage de la topologie
• Classification sous contraintes probabilistes par les cartes topologiques
• Analyse de la vraisemblance des liens relationnels : une méthodologie d'analyse classificatoire des données
• Panorama de quelques approches récentes pour la classification non supervisée de graphes
• Recherche de communautés dans les grands réseaux sociaux
• Affection pondérée par le critère de Kolmogorov-Smirnov sur des données de type intervalle et diagramme
• Représentation des données par un comité de cartes auto-organisatrices : une application aux données bruitées
• Essai de Typologie Structurelle des Indices de Similarité Vectoriels par Unification Relationnelle