L'analyse des données fonctionnelles a pour objet l'étude de
données qui se présentent sous la forme de courbes discrétisées.
Nous nous intéressons ici plus particulièrement à la 
classification de courbes par Machines à Vecteurs de Support 
(SVM) et présentons diverses stratégies applicables dans ce 
cadre. Nous démontrons pour celles-ci des résultats de 
convergence et les illustrons au travers d'exemples issus de
situations réelles. Enfin, nous élargirons le champ de cet 
exposé en montrant les liens qui peuvent exister entre cette 
thématique et celles du traitement du signal et de 
l'automatique ainsi qu'en esquissant les ouvertures prévues 
dans ces domaines.
    

De nombreux problèmes concrets peuvent être modélisés de
manière naturelle par l'utilisation de graphes : c'est le
cas, notamment, de la structure du Web, de l'étude de divers
réseaux sociaux, de l'extraction d'information, de la 
confrontation des connaissances. L'objectif du projet est de
proposer des méthodes permettant à la fois la classification
pertinente de sommets de graphes en groupes "homogènes" et
la visualisation globale des interactions existants entre 
ces groupes. Ceci peut être réalisé au travers de 
l'algorithme de cartes de Kohonen par l'utilisation d'un 
noyau résumant les informations de proximités entre sommets.
Cette méthodologie doit être généralisée aux graphes orientés
ainsi qu'à la comparaison de graphes.