3 Conference PR Abdallaoui TAPC Juin 2011

Utilisation des réseaux de
neurones artificiels pour

l’analyse des données
Pr ABDALLAOUI Abdelaziz
Equipe de Recherche Chimie
Analytique et Environnement
Université Moulay Ismail
Faculté des Sciences
Meknès
a.abdallaoui@gmail.com
Journées de Formation TAPC - juin 2011

1
 Un neurone, ou cellule nerveuse :
 cellule excitable constituant l'unité fonctionnelle de base du
système nerveux.
 cellule constituée d'un corps cellulaire (« unité » principale) :
 de dendrites (« organes » d'entrée).

 d'un axone (« organe » de sortie)

2
 Les neurones assurent la transmission d'un signal bioélectrique
appelé influx nerveux.
 Son mode de communication principal est la décharge électrique
(i.e. le potentiel d'action) qui se propage de l'axone jusqu'aux
dendrites du neurone de destination..

3
 Modèle de calcul dont la conception est très
schématiquement inspirée du fonctionnement des
neurones biologiques.
 Les réseaux de neurones sont généralement

optimisés par des méthodes d’apprentissage de
type probabiliste.
4
 Ils sont placés dans deux familles :
• des applications statistiques, qu’ils enrichissent avec
un ensemble de paradigmes permettant de générer des
classifications rapides (réseaux de Kohonen en
particulier),
• des méthodes de l’intelligence artificielle auxquelles
ils fournissent un mécanisme perceptif indépendant
des idées propres de l'implémenteur, et fournissant des
informations d'entrée au raisonnement logique formel.

5
Réception d’une information
Fonctionnement biologique (signal)
Activation + traitement (simple) par
 Fonctionnement du cerveau un neurone
 Transmission de Transmission aux autres neurones
l’information et apprentissage (si seuil franchi)
A longue; renforcement de certains
liens : APPRENTISSAGE
6
A l’aide d’outils et d’algorithmes très puissants,
les RNA sont notamment appliqués pour
résoudre des problèmes de :
 prédiction,
 classification,
 catégorisation,
 optimisation,
 reconnaissance des formes
...
Journées de Formation TAPC - juin 2011 7

 Dans le cadre du traitement des données, les RNA
constituent une méthode d’approximation de
systèmes complexes, particulièrement utile lorsque
ces systèmes sont difficiles à modéliser à l’aide
des méthodes statistiques classiques.
 Les RNA sont également applicables dans toutes
les situations où il existe une relation non linéaire
entre une variable prédictive et une variable
prédite.
8
Par leur nature et leur fonctionnement, les RNA peuvent
détecter les interactions multiples non linéaires parmi une
série de variables d’entrée, ils peuvent donc gérer des
relations complexes entre les variables indépendantes et
les variables dépendantes.
Discriminations linéaire (A), non linéaire (B) et non continue (C).

9
 Depuis une dizaine d’années, l’utilisation des RNA s’est
développée dans de nombreuses disciplines :
• Prévision des séries temporelles dans les finances.
• Prédiction des paramètres physico-chimiques des milieux
aquatiques,
• Prévision climatique,
• L’amélioration de la production industrielle,
• Diagnostic médical
• Identification de segments de clients potentiels
• Détection de fraude,
• La sécurité,
• Etc.

10
Rien que dans le domaine de la médecine, Les
RNA sont utilisés :
 pour la prévision des infarctus,
 pour le diagnostic des pathologies pulmonaires,
 du diabète ,
 des cancers,
 de la maladie d’Alzheimer,
 des lésions crâniennes post-traumatiques,
 etc.
11
 Le diagnostic clinique et la prévision des
maladies se font à partir de l’analyse de
symptômes et de facteurs de risque.
 Or,l’interaction entre ces éléments est souvent

complexe. Un mauvais diagnostic peut conduire
au décès de l’individu. Il est donc nécessaire de
pouvoir évaluer le risque avec le plus de
précision possible.
12
Applications industrielles des
réseaux neuronaux
Aujourd’hui, on retrouve les réseaux de neurones
solidement implantés dans diverses industries :
Milieux financiers : prédiction des fluctuations
de marché ;
Pharmaceutique : analyser le « QSAR »
(quantitative structure-activity relationship) de
diverses molécules organiques;
Domaine bancaire : détection de fraudes sur les
cartes de crédit et le calcul de cotes de crédit.
13
réseaux neuronaux
Départements de marketing de compagnies
de diverses industries : prévoir le
comportement des consommateurs ;
Aéronautique : programmation de pilotes
automatiques ;

14
réseaux neuronaux
Domaine pétrolier : Estimation du débit
individuel des phases (eau, huile, gaz) en sortie
des puits de pétrole de production polyphasique,
Domaine militaire : Identification acoustique
d'engins militaires (char, jeeps,...)
etc.
15
Applications des RNA pour la
reconnaissance des formes
Reconnaissance en temps réel de visages dans une image quelconque

16
Un modèle de réseau de neurones calcule la valeur estimée
(la sortie) à partir des entrées.
Le calcul est un processus complexe qui produit les
valeurs estimées sans que l’on doive comprendre son
fonctionnement. Journées de Formation TAPC - juin 2011
17
Un réseau de neurones prend en entrée des données
spécifiques et les convertit en une sortie spécifique.

18
Les réseaux de neurones sont bons pour la
prédiction et l’estimation seulement quand :
• Les entrées sont bien comprises
• La sortie est bien comprise
• L’expérience est disponible pour un grand
nombre d’exemples à utiliser pour entraîner le
réseau.

19
Les réseaux de neurones sont seulement
aussi bons que l’ensemble d’apprentissage
utilisé. Le modèle construit est statique et
doit être continuellement mis à jour avec
des exemples plus récents.

20
RN très simple : 4 entrées et 1 sortie.
Le résultat de l’apprentissage de ce réseau est
exactement équivalent à la technique statistique
appelée régression logistique.
21
Ce réseau a une couche cachée.
La couche cachée renforce la puissance du réseau en lui
permettant de reconnaître plus de formes.
22
L’augmentation de la taille de la couche cachée rend plus
puissant le réseau mais introduit le risque d’un
apprentissage servile.
On n’a besoin d’habitude que d’une couche cachée.
23
Un réseau de neurones peut produire en sortie
des valeurs multiples.

24
x
e
Sigmoïde ou logistique : f ( x) 
1 ex
x
2e
Tangente hyperbolique : f ( x)  1  e x  1
Linéaire : f ( x)  x

25
 Quand la fonction d’activation est linéaire, le réseau de
neurones n’est autre qu’une régression linéaire multiple
avec comme entrées les variables indépendantes xi et
comme sortie la variable dépendante y.
 Les poids wi ne sont autres que les coefficients βi du
modèle de régression.
26
 Lorsque la fonction d’activation est logistique, le
réseau de neurones s’assimile à un modèle de
régression logistique. La différence avec le modèle
de régression linéaire est que la variable dépendante
y est binaire (valeurs : 0 ou 1).
27
Quand la fonction d’activation est la tangente hyperbolique,
le réseau de neurones est un perceptron multi-couches
(MLP), variante la plus fréquemment utilisée. On note ici
que le modèle se complique avec la présence d’une couche
cachée.
28
 Lepouvoir de prédiction augmente avec le nombre de
neurones des couches cachées
• Le nb de couches cachées est généralement de 1 ou 2
• Lorsque ce nb = 0, le réseau effectue une régression
(linéaire ou logistique)
 Cenb doit être limité pour que le réseau ne se contente
pas de mémoriser l’ensemble d’apprentissage.
 Lefait que toutes les valeurs soient comprises entre 0 et
1 permet de prendre en entrée d’un neurone la sortie
d’un neurone précédent.
29
 L’entraînement est le processus de choisir les poids
optimaux sur les arêtes reliant les unités du réseau entre
elles.
 L’objectif est d’utiliser l’ensemble d’apprentissage afin
de calculer les poids dont la sortie équivalente du réseau
sera aussi proche que possible de la sortie désirée pour
autant d’exemples de l’ensemble d’apprentissage que
possible.

30
 L’apprentissage consiste à descendre le réseau de façon
itérative en ajustant les poids à chaque passage selon le
calcul d’erreur jusqu’à ce qu’il n’y ait plus
d’amélioration. Pour cela, un algorithme de rétro
propagation de l’erreur est mis en œuvre.

31
 Principe de l’algorithme de rétro propagation de l’erreur
 Initialiser la matrice des poids au hasard
 Choisir un exemple en entrée
 Propager le calcul de cette entrée à travers le réseau
 Calculer la sortie de cette entrée
 Mesurer l’erreur de prédiction par différence entre sortie réelle et

sortie prévue Calculer la contribution d’un neurone à l’erreur à
partir de la sortie
 Déterminer le signe de modification du poids
 Corriger les poids des neurones pour diminuer l’erreur
Le processus recommence ainsi, à partir du choix de l’exemple en entrée,

jusqu’à ce qu’un taux d’erreur minimal soit atteint.
32
 Laconstruction de modèles pour la classification et la
prédiction est l’utilisation la plus courante des RN.
 Les étapes de cette procédure sont :
 1. Identification des caractéristiques d’entrées et
sorties
 2. Normalisation des valeurs dans l’intervalle [0,1]
 3. Constitution d’un réseau
 4. Apprentissage du réseau
 5. Test du réseau sur un ensemble d’évaluation
 6. Application du modèle

33
Qnet 2000 Trial
 Programme de modélisation,
facile à installer sous Windows
XP.
 Il suit un apprentissage
supervisé et utilise une règle
d’apprentissage de rétro-
propagation,
 Il est animé par des fonctions
d’activation non linéaires.
34
Pythia
 S'utilise beaucoup pour une simulation de la
règle d'apprentissage par rétro-propagation.
 Les poids des réseaux sont initialisés par des
valeurs au hasard.
 Il permet d'importer les données de différents
formats (MS Excel).
 Les réseaux et les données obtenus peuvent être
facilement enregistrés dans fichier à part.
 Une caractéristique spécifique de Pythia est
l'optimisation évolutionnaire qui
automatiquement génère les réseaux appropriés
pour les ensembles des données
d'apprentissage.
35
FENNIX
Fast EXperimentation
Neural Network graphical
Interface : développé par
Héctor-Fabio
SATIZABAL.
Entraînement des RN feed-
forward à l'aide de rétro-
propagation.
http://reds.heig-vd.ch/share/cours/SBI/Labo/labo3-voices/Fennix/index.html
36
MATLAB ®
Langage de haut niveau et un
environnement interactif qui
vous permet d'effectuer des
tâches de calcul intensif plus
rapidement qu'avec d’autres
langages.
37
MATLAB ®
IL offre un certain nombre de
fonctionnalités pour la
documentation et le partage
de votre travail.
Vous pouvez intégrer votre
code MATLAB avec d'autres
langages et applications, et
distribuer vos algorithmes et
applications MATLAB..
38
 Aptitude
à modéliser des structures complexes et
des données irrégulières
• Prise en compte des relations non linéaires
(interactions) entre les variables.
 Assez bonne robustesse aux données bruitées
 Aptitude à modéliser des problèmes très variés.

39
 Résultats totalement non explicites
 Sensibilité aux individus hors normes
 Sensibilité à un trop grand nombre de variables non

discriminantes (contrairement aux arbres de décision)
 Convergence vers la meilleure solution globale pas toujours
assurée
 Paramètres nombreux et délicats à régler (nb et taille des
couches cachées, taux d’apprentissage, etc.)
 Ne s’appliquent naturellement qu’aux variables continues
dans l’intervalle (0,1) – Nécessité de normaliser les données.
40
Prédiction des teneurs en métaux
lourds toxiques des sédiments de
l’oued Beht à partir des
paramètres physico-chimiques

41
42
Echant. % en % en % < 40 pH CaCO M.E.S Cu Pb Cr Cd
C % P µg/g
N° M.O. eau µm séd. 3 % mg/l µg/g µg/g µg/g µg/g
1 2,40 15,41 9,02 7,95 4,15 562 12,23 44,0 346,9 146,0 33,5 0,8
2 2,15 19,28 9,08 8,18 2,00 456 9,82 82,0 62,8 32,5 30,0 2,8
3 1,08 22,01 3,02 8,19 2,57 740 42,50 192,0 23,1 14,8 40,3 1,6
4 2,23 15,41 7,89 8,14 1,72 633 21,65 48,0 34,5 21,3 47,5 3,4
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
101 3,60 28,31 11,34 8,75 0,57 507 4,41 10,0 80,0 61,3 40,5 1,0
102 2,79 25,25 12,68 8,98 0,86 444 10,82 16,0 53,0 37,0 37,5 1,7
103 1,35 23,95 5,65 8,97 1,00 846 26,95 144,5 7,5 14,2 43,0 1,3
104 3,74 45,53 22,71 8,48 1,72 864 19,44 96,5 20,0 30,2 44,5 1,8
43
Mise en forme des données
Les valeurs X(i) de chaque variable indépendante (i) ont
été standardisées par rapport à sa moyenne et son écart-
type suivant la relation :
X (i)  X m (i)
X s (i) 
avec,
 X (i)
Xs(i) : Valeurs standardisées relatives à la variable i;
X(i) : Valeurs brutes relatives à la variable i;
Xm(i) : Valeurs moyenne ;
σX(i) : écart-type relatives à la variable i ;

44
Techniques de modélisation
1. l’application a été réalisée sur l’ensemble des données
relatives aux 104 échantillons.
2. Dans une deuxième étape, pour justifier la qualité prédictive
des modèles, les mêmes techniques ont été appliquées sur un
jeu de données relatives à 80 échantillons tirés d’une manière
aléatoire, parmi les 104 échantillons de départ.
3. La validité et la performance de la prédiction de ces modèles
ont été testées sur un jeu de données composé des 24
échantillons restants, qui n’ont pas participé à l’apprentissage
des modèles
45
Pour chercher la prédiction avec la méthode basée sur le principe des
réseaux de neurones artificiels, nous avons utilisé l’algorithme de rétro-
propagation du gradient de l’erreur, avec trois couches :

46
RNA
RLM
RNA

47
RNA
RLM

48
49
Cd Cr Cu Pb
Métho
de Apprenti
Test
Apprenti
Test
Apprenti
Test
Apprenti
Test
ssage ssage ssage ssage
RLM 0,26 0,15 0,82 0,14 0,53 0,58 0,60 0,29
RNA 0,88 0,81 0,933 0,86 0,96 0,97 0,80 0,85

50
Les modèles prédictifs établis par la méthode
récente, qui est basée sur le principe des RNA, sont
plus performants comparativement à ceux établis
par la méthode basée sur la RLM.
Cette performance semble due au fait que les conc.

des métaux lourds dans les sédiments sont liés aux
caractéristiques physico-chimiques par des
relations non linéaires. Ce qui est couramment
trouvé dans l’environnement aquatique.
51
Tableau de données : Base de données assez importantes
Traitements statistiques classiques :

ACP, AFC, RLM, …

52
Tableau de données : Base de données importantes
Traitements statistiques classiques :

ACP, AFC, RLM, …
Traitements par les Réseaux de

Neurones Artificiels : Prédiction,
Classification, …
53
Avantages des traitements des données
 Extraire des informations pertinentes d'une liste de

nombres difficile à interpréter par une simple lecture.
 Interprétation des données,
 Détermination des corrélations entre les variables,
 Déterminations des liens (relations) possibles entre
les variables,
 Classification des individus et ou des variables,
 Bonne présentation des résultats,
 Valoriser les résultats de votre recherche,
...
54
55
56
57
58
59
60
61
62
63
64
65
66
Pr ABDALLAOUI Abdelaziz
67

3 Conference PR Abdallaoui TAPC Juin 2011

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3 Conference PR Abdallaoui TAPC Juin 2011

Transféré par

Droits d'auteur :

Formats disponibles

Utilisation des réseaux de

neurones artificiels pour

Journées de Formation TAPC - juin 2011

 de dendrites (« organes » d'entrée).

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

 Les réseaux de neurones sont généralement

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011 7

Discriminations linéaire (A), non linéaire (B) et non continue (C).

Journées de Formation TAPC - juin 2011

 Or,l’interaction entre ces éléments est souvent

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

 Choisir un exemple en entrée

 Propager le calcul de cette entrée à travers le réseau

 Calculer la sortie de cette entrée

 Mesurer l’erreur de prédiction par différence entre sortie réelle et

 Corriger les poids des neurones pour diminuer l’erreur

Le processus recommence ainsi, à partir du choix de l’exemple en entrée,

 3. Constitution d’un réseau

 5. Test du réseau sur un ensemble d’évaluation

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

 Sensibilité à un trop grand nombre de variables non

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

Journées de Formation TAPC - juin 2011

RLM 0,26 0,15 0,82 0,14 0,53 0,58 0,60 0,29

RNA 0,88 0,81 0,933 0,86 0,96 0,97 0,80 0,85

Journées de Formation TAPC - juin 2011

Cette performance semble due au fait que les conc.

Traitements statistiques classiques :

Journées de Formation TAPC - juin 2011

Traitements statistiques classiques :

Traitements par les Réseaux de

 Extraire des informations pertinentes d'une liste de

Vous aimerez peut-être aussi