Fondements biologiques. Motivations de l'approche connexionniste distribuée pour la résolution de problèmes de régression, de classification et d'estimation de fonction de densité. Paradigmes d'apprentissage supervisé, non supervisé et renforcé. Théorie statistique de l'apprentissage. Dilemme biais-variance. Dimension VC. Approches discriminantes, probabilistes et génétiques. Optimisation incrémentale et globale. Validation croisée. Réseaux à propagation avant, et à rétroaction. Lois d'apprentissage Hebbienne, compétitive, stochastique et par correction d'erreurs. Architectures classiques : perceptron à une et plusieurs couches, réseau à base radiale, machine à supports vectoriels, comité de machines, machine de Boltzmann, réseaux bayesiens, carte auto-organisatrice, réseau spatiotemporel, réseau de Hopfield. Exploration et réduction de l'espace de recherche. Malédiction de la dimensionnalité. Neurodynamique.