Informatique

Réseaux de neurones : historique, méthodes et applications

Réseaux de neurones : historique, méthodes et applications

Un réseau neuronal est l’association, en un graphe plus ou moins complexe, d’objets élémentaires, les neurones formels. Les principaux réseaux se distinguent par l’organisation du graphe (en couches, complets. . .), c’est-à-dire leur architecture, son niveau de complexité (le nombre de neurones, présence ou non de boucles de rétroaction dans le réseau), par le type des neurones (leurs fonctions de transition ou d’activation) et enfin par l’objectif visé : apprentissage supervisé ou non, optimisation, systèmes dynamiques…

Perceptron multicouche

 But d’apprentissage supervisé. Les systèmes dynamiques, avec boucle de rétroaction, les réseaux récurrents (LSTM) ainsi que les cartes de Kohonen ou cartes auto-organisatrices pour la classification non supervisée ne sont pas abordés.

Architecture de perceptron multicouche

Le perceptron multicouche (PMC) est un réseau composé de couches successives. Une couche est un ensemble de neurones n’ayant pas de connexion entre eux. Une couche d’entrée lit les signaux entrant, un neurone par entrée xi, une couche en sortie fournit la réponse du système. Selon les auteurs, la couche d’entrée qui n’introduit aucune modification n’est pas comptabilisée. Une ou plusieurs couches cachées participent au transfert.

Dans un perceptron, un neurone d’une couche cachée est connecté en entrée à chacun des neurones de la couche précédente et en sortie à chaque neurone de la couche suivante.

Réseau de neurones feed-forward

Un réseau de neurones typique est le réseau feed-forward. Ce réseau propage l’entrée du réseau vers les couches suivantes sans jamais revenir en arrière. En plus du type de réseau de neurones, il faut également choisir une fonction d’erreur et une fonction d’activation pour les neurones. Ces choix sont souvent guidés par le type de données traitées.

Construction du réseau de neurones

Bien entendu, au départ, un réseau de neurones avec des poids initialisés aléatoirement donne de pauvres résultats. C’est pourquoi il y a une étape d’apprentissage, c’est-à-dire d’ajustement des poids du réseau afin que ceux-ci puissent donner de meilleures prédictions.

Une façon de voir le problème est d’essayer de minimiser l’erreur de prédiction du modèle. Cette formulation transforme le problème d’apprentissage en un problème d’optimisation pour lequel plusieurs algorithmes existent. L’optimisation de la fonction d’erreur s’effectue par l’ajustement des paramètres de la fonction, c’est-à-dire les poids et les biais du réseau de neurones.

Rétropropagation

L’idée de la rétropropagation est de faire circuler l’information sur la dérivée de la fonction d’erreur à partir de la couche de sortie, où l’erreur de prédiction est connue (la différence entre y et c), jusqu’à la couche d’entrée. Pour y arriver, il faut arriver à exprimer la dérivée de la fonction d’erreur d’un nœud en fonction de l’information donnée par les couches suivantes. De cette façon, les valeurs attendues de la couche de sortie pourront être rétropropagées vers l’entrée.

Télécharger le cours N°1 sur les Réseaux de neurones
Réseaux-de-neurones-01

Cours N°2 sur les Réseaux de neurones

Cours N°3 sur les Réseaux de neurones

Cours N°2 sur les Réseaux de neurones

Cours N°5 sur les Réseaux de neurones


Voir aussi :


Partagez au maximum pour que tout le monde puisse en profiter

Tags: ADALINEAlgorithme de Kohonenalgorithme de rétro-propagationapprentissage artificielapprentissage automatiqueapprentissage automatique cours pdfapprentissage automatique pdfApprentissage non-superviséApprentissage supervisécarte de kohonencarte de kohonen explicationConstruction du réseau de neuronescours apprentissage automatiquecours intelligence artificielle apprentissage automatiqueDéfinition d’ ApprentissageDéfinition de Réseau de Neurones ArtificielsDes neuronesDomaines d’application des neuronesexplication algorithme kohonenFonctionnement des neuronesgradient stochastiqueHistorique de Réseau de Neurones ArtificielsHistorique des réseaux de neuronesHopfieldintelligence artificielle neuroneintelligence artificielle neurone pdfLe cerveauLe modèle d ’ElmannLe modèle de HopfieldLe neurone de McCulloch & PittsLe neurone formelLe perceptronLe perceptron multicoucheLe perceptron multicouchesles neurosciencesLes réseauxLes réseaux ARTLes réseaux de neurones artificielsLimite du perceptronLoi de GrossbergLoi de hebbLoi de Widrow-Hoffmodèle ADALINEModèle biologiqueModèle de Hopfieldneuroneneurone artificiel définitionNeurone formelNeurone formel linéaireNeurone probabilisteNeurosciencesOrdinateur et Cerveauperceptronperceptron multi couches apprentissageperceptron multicouche exempleperceptron multicouchesperceptron pdfperceptron simpleprincipe de fonctionnement du modèle de HopfieldRègles d’apprentissageRégression linéaireréseau de hopfieldRéseau de neuronesRéseau de neurones de HopfieldRéseaux de hopfieldSchématisation du neurone biologiqueStructure des neuronesTypes d’apprentissageUn neurone
F2School