Académique Documents
Professionnel Documents
Culture Documents
Ayachi ERRACHDI
errachdi.ayachi@issatkr.u-kairouan.tn
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
2
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
3
1-Un peu d’historique
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
5
2- Domaines d’application
Filtrage
Précision
Prédiction
Régression
Commande
Optimisation
Modélisation
Classification
Traitement d’images
Recherche opérationnelle
Reconnaissance de forme 6
…
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
7
3. Le neurone biologique (1/3)
10
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
11
4. Le neurone artificiel (1/3)
12
4. Le neurone artificiel (2/3)
13
4. Le neurone artificiel (3/3)
14
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
15
5. Propriétés de réseau de neurones
(1/5)
- Apprentissage :
L’apprentissage est une phase de développement d’un
réseau de neurones durant laquelle le comportement du
réseau est modifié jusqu’à l’obtention du comportement
désiré.
Les classes d’algorithmes d’apprentissage :
- L’apprentissage supervisé
- L’apprentissage non supervisé
- L’apprentissage par renforcement
16
5. Propriétés de réseau de neurones
(2/5)
Dans l’apprentissage supervisé, un superviseur fournit une
valeur/vecteur d de sortie désirée que le réseau de neurones
doit associer au vecteur d’entrée x. L’apprentissage consiste à
modifier les paramètres du réseau de neurones afin de
minimiser l’erreur entre la sortie désirée et la sortie obtenue.
erreur
18
5. Propriétés de réseau de neurones
(4/5)
Généralisation sur-apprentissage :
La capacité de généralisation est l’une des raisons qui motivent
l’étude et le développement des réseaux de neurones artificiels.
Elle peut être définie par la capacité d’élargir les connaissances
acquises après apprentissage à des données nouvellement
rencontrées par le réseau de neurones. D’où les RNA sont
capables d’approximer une fonction uniquement à partir d’une
partie de données.
20
Plan
• 1- Historique
• 2- Domaine d’application
• 3- Neurone biologique
• 4- Neurone artificiel
• 5- Propriétés des réseaux de neurones
• 6- Architecture des réseaux de neurones
21
6. Les architectures de réseau de
neurones (1/11)
22
6. Les architectures de réseau de
neurones (2/11)
1- Le Perceptron monocouche
x0 W10 ∑ f y1
x1
∑ f y2
W1n
W2n
xn Wmn
∑ f ym
23
6. Les architectures de réseau de
neurones (3/11)
2- Le perceptron Multicouche
y1
x1
x2 y2
24
6. Les architectures de réseau de
neurones (4/11)
2- Le perceptron Multicouche
25
6. Les architectures de réseau de
neurones (5/11)
3-Le modèle de Hopfield
Le modèle de Hopfield : chaque neurone est connecté à tous les
autres sauf à lui. L’architecture du réseau est symétrique, c’est-
à-dire, wij de la connexion entre le neurone i et le neurone j est
identique à wji, poids de la connexion entre les neurones j et i.
26
6. Les architectures de réseau de
neurones (6/11)
4. Le réseau bouclé
27
6. Les architectures de réseau de
neurones (7/11)
4. Le réseau bouclé
28
6. Les architectures de réseau de
neurones (8/11)
4. Le réseau bouclé
29
6. Les architectures de réseau de
neurones (9/11)
4. Le réseau bouclé
30
6. Les architectures de réseau de
neurones (10/11)
5. Le modèle de Kohonen
31
6. Les architectures de réseau de
neurones (11/11)
6. Le réseau à fonctions radiales de base
N − x −µ 2
y j = ∑ wi exp
i j
φ (x ) = φ ( x − µ ,σ ) i =1 2σ 2
32