Historique

Introduction
Le neurone biologique
Le neurone formel
Fonctions d'activation
Architecture des rseaux de neurones
Rseaux boucls et rseaux non boucls
Notion dapprentissage
Apprentissage supervis et non supervis
Exemples dapplications
Conclusion

L'intelligence artificielle, science l'objectif de

simuler des comportements du cerveau humain.
Les premires tentatives de modlisation du
cerveau cest en 1943 par Mc Culloch et Pitts
ensuite ce concept fut mis en rseau par
Rosenblatt en 1959 qui conoit le perceptron
en 1980 Stephen GROSSBERG et Teuvo
KOHONEN dcouvrent de nouvelles voies : autoautoorganisation des rseaux et processus
d'adaptation

Un rseau de neurones est un outil de modlisation des

relations complexes entre les donnes dentre et de
sortie il ressemble au cerveau humain dans le sens o il
apprend des connaissances par apprentissage, et ses
connaissances sont stockes dans des connexions interinterneurones connues sous le nom poids synaptiques .
L'avantage des rseaux de neurones se situe dans leur
capacit d'apprendre rsoudre des problmes
complexes partir la modlisation des exemples
dapprentissage rels
Les rseaux de neurone artificielles sont ralis a partir
des neurone biologique ils sont conu pour reproduire les
caractristique de mmoire

 Neurone biologique est une cellule

nerveuse qui compose de: dendrites, Noyau,
Axone et Synapse.
dendrites
Noyau
Noyau

axone
synapse
dendrites

Un neurone formel est une reprsentation

mathmatique qui reprend les principes du
fonctionnement du neurone biologique il
possde gnralement plusieurs entres et une
seule sortie
il calcule la somme pondre des entres reues,
puis il applique cette valeur une fonction
d'activation, gnralement non linaire. Sa
valeur finale est alors gnr dans la sortie du
neurone.

Voici le modle du neurone artificiel.

D'un point de vue mathmatique, le neurone formel

peut tre reprsent de la manire suivante:
-p1,,pR: entres
w1,1,w1,R: poids sur les entres
b: biais; (dplacement horiz. de f)
n: niveau dactivation
f: fonction dactivation
a: sortie du neurone

Il existe plusieur fonctions d'activations (ou

encore fonction de transfert) telle que

On peut classer les RNA en deux grandes

catgories:
rseaux non boucl
rseaux boucl ( reccurants)

Appels aussi "rseaux de type Perceptron",

ce sont des rseaux dans lesquels l'information
se propage de couche en couche sans retour en
arrire
On distingue deux structures de rseau :
Le perceptron monocouche:
Perceptron de
Rosenblatt
Le perceptron multicouches amlioration du
perceptron de Rosenblatt

Le perceptron monocouche :

C'est une extension du prcdent, avec une ou

plusieurs couches caches entre l'entre et la
sortie

Appels aussi "rseaux rcurrents", ce sont des rseaux

dans lesquels il y retour en arrire de l'information.

L apprentissage est une phase du dveloppement dun

rseau de neurones durant laquelle le comportement du
rseau est modifi jusqu lobtention du comportement
dsir. On distingue deux grandes classes dalgorithmes
dapprentissage

Apprentissage

Superviss

non superviss

Dans ce type d'apprentissage, le rseau s'adapte par

comparaison entre le rsultat qu'il a calcul en fonction des
entres fournies, et la sortie dsire . le rseau va se
modifier jusqu'a ce qu'il trouve la bonne sortie

superviseur

sortie dsire
erreur

rseau

sortie obtenue

Cette apprentissage est bas sur des probabilits. Le

rseau va se modifier en fonction des rgularits
statistiques de l'entre en optimisant une valeur de qualit
aux catgories reconnues

rseau

sortie obtenue

Lapprentissage consiste modifier le poids des

connections entre les neurones.
i

Wij
Il existe plusieurs rgles de modification :

Loi de Hebb
Rgle de Widrow-Hoff (delta rule)
Rgle de Grossberg

les rseaux de neurones reposent Prsent sur des

bases mathmatiques solides qui permettent
denvisager des nombreuse applications dans plusieurs
domaines telle que:
Traitement dimage: reconnaissance des caractres et
de signature, reconnaissance du forme
Traitement du signal: filtrage, traitement de parole,
identification du parole
Control: commande de processus, diagnostic,
asservissement des robots, apprentissage, identification
des systmes