les reseaux de neurones:

introduction :
Les réseaux de neurones, voilà un domaine du machine learning dont on entend beaucoup
parler en ce moment... De la reconnaissance vocale à la recherche d'images, en passant par
les voitures autonomes et AlphaGo, les récents succès de l'intelligence artificielle sont
nombreux à se baser sur les réseaux de neurones profonds, plus connus sous le nom
mystérieux de deep learning.

historique :
1943 : Mc Culloch et Pitts ont proposé les premières notions de neurone formel

1948 : D.Hebb propose une regle d'apprentissage pour des reseaux de neurones

1958 : F. Rosenblattt propose le modéle du perceptron et demontre son theoreme de convergence

1969 : M.Minsky et S.Papert demontrent les limitation du modele du perceptron

1985 : apprentissage par rétro-propagation pour les réseaux multi-couches

Definitions :
-Réseaux de neurone biologique : un neurone est une cellule capable de transmettre des
informations a d'autres neurones au travers de ses différentes connexions (synapes).

ils se décomposent en trois régions principales :

*le corps cellulaire

*les dendrites

*l'axone

• Les neurones reçoivent des signaux (impulsions électriques) par les dendrites et envoient l
’information par les axones. • Les contacts entre deux neurones (entre axone et dendrite) se font par
l ’intermédiaire des synapses. • Les signaux n ’opèrent pas de manière linéaire : effet de seuil.

-Réseaux de neurones artificiel : est un outil d'analyse permettant de construire un modèle a partir
de données ;d'exemples

-En informatique, on appelle réseau de neurones un ensemble d'entrés (les neurones)

interconnectées . Dans la majorité des cas, les neurones sont des fonctions calculs par un programme
informatique , mais ils sont parfois réalisés sur des circuits électroniques.

les éléments de neurone artificiel (model formel) :

*les entrées "E" du neurone proviennent soit d'autre élément "processeurs" soit de
l'environnement .
*les poids "w" déterminent l'influence de chaque entrée

*la fonction de combinaison "p" combine les entrées et les poids

*la fonction de transfert calcule la sortie "S" du neurone en fonction de la combinaison en entrée

Configuration des RNS :

Réseaux partiellement connectés: Chaque neurone est relié à quelques neurones localisés dans
son périmètre

. - Réseaux à connexions complètes: Chaque neurone est lié à tous les autres neurones du
réseau.

- Réseaux à couches: Tous les neurones d'une couche sont connectés aux neurones de la
couche en aval.

Architecture des RNS :

 Réseaux bouclés: Les neurones ne peuvent pas être ordonnés de sorte qu’il n’y ai pas de
connexion vers l’arrière

Exemple -> réseau entièrement connecté :

 Réseaux « non bouclés » ou réseaux à couches: Les neurones peuvent être ordonnés de sorte
qu’il n’y ai pas de connexion vers l’arrière

Exemple -> réseau à une couche intermédiaire :

L'utilisaion des RNS :

les réseaux de neurones ont de nombreuses applications dans des domaines très variés :

•traitement d'image : compression d'images, reconnaissance de caractères et de signatures,

reconnaissance de formes et de motifs, cryptage, classification, ...

•traitement du signal : traitement de la parole, identification de sources, filtrage, classification, ...

•contrôle : diagnostic de pannes, commande de processus, contrôle qualité, robotique, ...

•optimisation : allocation de ressources, planification, régulation de trafic, gestion, finance, ...
•simulation : simulation boîte noire, prévisions météorologiques

•classification d'espèces animales étant donnée une analyse ADN •modélisation de

l'apprentissage et perfectionnement des méthodes de l'enseignement

•approximation d'une fonction inconnue ou modélisation d'une fonction connue mais complexe à
calculer avec précision
Apprentissage et classement :
Pour un RNA, l'apprentissage peut être considéré comme le problème de la mise à jour des
poids des connexions au sein du réseau, afin de réussir la tâche qui lui est demandée.
L'apprentissage est la caractéristique principale des RNA et il peut se faire de différentes
manières et selon différentes règles.

On distingue les types d’apprentissage :

*SUPERVISÉ : Dans ce type d'apprentissage, le réseau s'adapte par comparaison entre le

résultat qu'il a calculé, en fonction des entrées fournies, et la réponse attendue en sortie. Ainsi, le
réseau va se modifier jusqu'a ce qu'il trouve la bonne sortie, c'est-à-dire celle attendue,
correspondant à une entrée donnée.

*LE RENFORCEMENT : Le renforcement est en fait une sorte d'apprentissage supervisé et

certains auteurs le classe d'ailleurs, dans la catégorie des modes supervisés. Dans cette
approche le réseau doit apprendre la corrélation entrée/sortie via une estimation de son erreur,
c'est-à-dire du rapport échec/succés. Le réseau va donc tendre à maximiser un index de
performance qui lui est fourni, appelé signal de renforcement. Le système étant capable ici, de
savoir si la réponse qu'il fournit est correcte ou non, mais il ne connait pas la bonne réponse.

*HYBRIDE : LE MODE HYBRIDE REPREND EN FAIT LES DEUX AUTRES APPROCHES,

PUISQUE UNE PARTIE DES POIDS VA ÊTRE DÉTERMINÉE PAR APPRENTISSAGE
SUPERVISÉ ET L'AUTRE PARTIE PAR APPRENTISSAGE NON-SUPERVISÉ. NON-
SUPERVISÉ (OU AUTO-ORGANISATIONNEL) : Dans ce cas, l'apprentissage est basé sur des
probabilités. Le réseau va se modifier en fonction des régularités statistiques de l'entrée et établir
des catégories, en attribuant et en optimisant une valeur de qualité, aux catégories reconnues.

conclusion:
Les réseaux de neurones artificiels, inspirés du comportement du cerveau humain, permettent de
créer de l'intelligence artificielle. Notamment appliqués en datamining principalement à travers
l'apprentissage non supervisé, ils servent à prédire, à identifier et à classifier les données.
L'apprentissage, moteur essentiel du système, leur permet d'assimiler un traitement d'information
à travers une fonction et de le reproduire pour les données qui lui seront ensuite présentées.