Apprentissage supervisé

Réseaux de neurones
Syntyche GBEHOUNOU - EEIA - Juillet 2021
 Syntyche GBÈHOUNOU
● J’ai découvert l’IA en 2009 17ans et demi 15 ans
● Motivée par des applications concrètes
● Attachée à la bienveillance et à la transparence

● Création d’un podcast en cours sur la vulgarisation de l’IA

Horizon-IA (horizon-ia.com)
● J’adore manger et faire à manger
● Mes fruits préférés au Bénin sont la mangue, la banane et
l’ananas pain de sucre
Expérience professionnelle
PhD. Traitement d’images Chef de projet Traitement Data scientist
Université de Poitiers d’images Acystème, Rennes
2011 à 2014 Vilmorin, La Ménitré 2019 - 2020
2015 - 2016

Enseignement Research Lead

Université & IUT de Poitiers Jules SAS, Rennes
2012 à 2015 2016-2019
Réseaux de neurones (RN)
Origines et applications
Applications des réseaux de neurones en IA
Et si on s’inspirait des neurones biologiques
● S’inspirer du fonctionnement du cerveau humain
● Le neurone biologique est une cellule qui se caractérise entre autres par :
○ des synapses, les points de connexion avec les
autres neurones, fibres nerveuses ou
musculaires
○ des dentrites ou entrées du neurone
○ les axones, ou sorties du neurone vers d’autres
neurones ou fibres musculaires
○ le noyau qui active les sorties en fonction des
stimulations en entrée.
Le paradigme biologique du neurone formel
● Modélisation mathématique d’un neurone biologique

Similitudes avec le neurone biologique

● Entrées => Influx nerveux arrivant au neurone

● Interconnexions => Dendrites
● Poids => Synapses
● Fonction seuil =>Approximation de l'activation
du soma

Neurone formel (Mc Culloch et Pitts, 1943)

Un réseau de neurones artificiel c’est donc :
● Une structure composée de plusieurs “neurones formels” avec une règle
d’apprentissage qui :
○ permet de pouvoir régler les poids de façon automatique en minimisant l’erreur
entre la sortie réelle et la sortie estimée
Plusieurs fonctions d’activations possible

Une bonne fonction d’activation doit être de préférence dérivable !

Travaux pratiques sur un cas simple
0.5
0.5 h0

x0=1 3
-3 relu
-2
2
-2 h1
-2
x1=2 -1 relu
1
1 h2 1

y=x
Plusieurs utilisations des réseaux de neurones
● Les réseaux de neurones pour la classification
○ Besoin des entrées et des classes pour effectuer l’apprentissage

● les réseaux de neurones pour la prédiction

○ le réseau apprend les sorties attendues en se basant sur les entrées et les sorties apprises

● les réseaux de neurones clustering

○ Regroupement des données sans a priori: réseaux compétitifs, carte de Kohonen, ...

● Les réseaux de neurones d’association

○ Association d’un échantillon bruité au pattern le plus proche en mémoire
Différentes composantes d’un réseau de neurones
Fonction d’activation de la couche
de sortie en fonction de l’application

● Classification binaire : Sigmoïde

● Classification multi-classe : Softmax

Fonction de perte pour minimiser

l’erreur

● Recherche d’un minimum local

● Optimisation de la fonction de perte
Plusieurs architectures
● Perceptron multicouche
● Réseau de neurones convolutifs
● Auto-encodeurs
● Réseau de neurones génératifs
● ...
Apprentissage avec un RN
● Annotation d’images en fonction des différentes classes
● Des bases d’apprentissage, de validation et de test
Apprentissage avec un RN
● Annotation d’images en fonction des différentes classes
Apprentissage avec un RN
● Annotation d’images en fonction des différentes classes
● Des bases d’apprentissage, de validation et de test
● Les fonctions d’activation des couches cachées et de sortie
● Une fonction de coût
● Une fonction d’optimisation
● Un taux d’apprentissage
● Évaluation de l’apprentissage
Apprentissage supervisé : Métriques de performance
Place à la
pratique !