Académique Documents
Professionnel Documents
Culture Documents
UFR SAT
Université Gaston Berger
Saint-Louis/Sénégal.
1
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Programme
2. Le neurone formel
3. L’apprentissage
2
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(1/13)
1. Définitions (1/4)
Il n’existe pas vraiment de consensus sur la définition du terme “intelligence
artificielle”(il n’y en a même pas sur le terme “intelligence” ! ).
Pour vous qu’est ce que l’intelligence?
3
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(2/13)
1. Définitions (2/4)
Il n’existe pas vraiment de consensus sur la définition du terme “intelligence
artificielle”(il n’y en a même pas sur le terme “intelligence” ! ).
Pour vous qu’est ce que l’intelligence?
Et le Larousse?
4
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(3/13)
1. Définitions (3/4)
“L’étude des facultés mentales à l’aide des modèles de type calculatoires” (Charniak
et McDermott, 1985)
“Conception d’agents intelligents” (Poole et al., 1998)
“Discipline étudiant la possibilité de faire executer par l’ordinateur des tâches pour
lesquelles l’homme est aujourd’hui meilleur que la machine” (Rich et Knight, 1990)
“L’automatisation des activités associées au raisonnement humain, telles que la
décision, la résolution de problèmes, l’apprentissage, ...” (Bellman, 1978)
“l’ etude des mécanismes permettant à un agent de percevoir, raisonner, et agir”
(Winston, 1992)
“L’études des entités ayant un comportement intelligent” (Nilsson, 1998)
L'Intelligence Artificielle (IA) est la science dont le but est de faire faire par une
machine des tâches que l'homme accomplit en utilisant son intelligence. La
terminologie d'Intelligence Artificielle est apparue en 1956. On peut lui préférer
celle d'Informatique Heuristique.
5
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(4/13)
1. Définitions (4/4)
Elements de comparaison
1- Introduction(5/13)
2. Historiques (1/6)
Traits en Maths :
• 1912-1954 : Turing montre que toute fonction calculable l’est par une
machine de Turing (et donc par un ordinateur). Attention ! il existe des
fonctions non calculables.
7
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(6/13)
2. Historiques (2/6)
Traits en Informatique :
• Boulier, Pascaline…
8
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(7/13)
2. Historiques (3/6)
9
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(8/13)
2. Historiques (4/6)
Intelligence artificielle :
• 1950 Shannon, 1952 Samuel, 1953 Turing : machine pour jouer aux
échecs
10
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(9/13)
2. Historiques (5/6)
11
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(10/13)
2. Historiques (6/6)
1- Introduction(11/13)
3. Applications et défis (1/2)
• la traduction automatique
• Les jeux
• La robotique
• La reconnaissance de formes
• La simulation
13
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(12/13)
3. Applications et défis (2/2)
• Explosion combinatoire
• Apprentissage
• Niveau de représentation
• Complexité/chaos
14
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1- Introduction(13/13)
4. Objectifs des Réseaux connexionnistes
Classification
Répartir en plusieurs classes des objets
données quantitatives à informations qualitatives
Reconnaissance de formes
Recherche Opérationnelle
Résoudre des problèmes dont on ne connaît pas la solution
Mémoire Associative
Restituer une donnée à partir d’informations incomplètes et/ou bruitées.
15
Machine learning
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
1 Le neurone biologique
Axone
Synapse
Dendrites
56 19
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
20
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Découpage en régions
Au niveau morphologique et fonctionnel
Adaptation
Renforcement de l’efficacité synaptique
Renforcement des corrélations
21
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Apprentissage – Adaptation
– Plasticité synaptique
– Reconversion
Robustesse
– Résistance à l’imprécision des entrées
– Résistance à la détérioration
– Distribution des informations
Parallélisme
– Interactions locales
– Propriétés globales
– Simultanéité du traitement
22
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
– déterministe – parallélisme
23
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
24
On définit aussi, Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Les entrées et sorties sont soit binaires soit réelles. La fonction de sortie est une fonction
3. Le
non neurone
linéaire artificiel
plus ou (2/3) de la sigmoı̈de. Les principales fonctions de sortie sont :
moins proche
Exemples de fonction de sortie:
1
"
1 si x ≥ 0
0.8
0 si x < 0 0.4
0.2
−0.2
−5 −4 −3 −2 −1 0 1 2 3 4 5
0.8
" 0.6
1 si x ≥ 0 0.4
−1 si x < 0 −0.2
−0.4
−0.6
−0.8
−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
1
1 si x > a 0.8
0.6
0.4
1
• les fonctions linéaires à seuils :f (x) = x si x ∈ [−a, a]
0.2
a −0.2
−0.4
−1 si x < a
−0.6
−0.8
−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
0.8
0.6
0.4
1
• les fonctions sigmoı̈des : f (x) = tanh(kx) ou
0.2
1+e−kx −0.2
−0.4
−0.6
−0.8
−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
25
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
26
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Pattern Pattern
d'entrée de sortie
0 1
1 1
0 Réseau 0
Stimulus 1 0 Réponse
1 1
décodage
codage 1 0
0 1
0 0
27
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
couche d’entrée
couche cachée
couche de sortie
réseau à connections
réseau multicouche locales
28
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
29
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(1/11)
1. Définition
• L’apprentissage
supervisé
• L’apprentissage non
supervisé
30
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(2/11)
2. L’apprentissage supervisé
erreur
31
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(3/11)
3. L’apprentissage non supervisé
32
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(4/11)
4. Règles d’apprentissage (1/8)
i j
Wij
33
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(5/11)
4. Règles d’apprentissage (2/8)
Loi de Hebb :
Lorsque deux unités neurones artificiels sont activés en même temps, le
poids de leur connexion est augmenté ou diminué.
R est une constante positive qui représente la force d'apprentissage
(learning rate).
i
Wij
j ΔWij = Rai a j
ai = -1 ai = 1
aj = -1 DWij = R DWij = -R
aj = 1 DWij = -R DWij = R
34
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(6/11)
4. Règles d’apprentissage (3/8)
35
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
3- L’apprentissage(11/11)
4. Règles d’apprentissage (8/8)
i j
Wij
[1] F. Rosenblatt. The perceptron, a perceiving and recognizing automaton Project Para. Cornell Aeronautical Laboratory, 1957.
41
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
42
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Déterminer si un chiffre donné sur 7 leds est pair (0) ou impair (1)
43
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Déterminer si un chiffre donné sur 7 leds est pair (0) ou impair (1)
Pour chaque élément de l’échantillon :
Perceptron biais
de sortie
44
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Remarque: Le XOR ne peut pas être calculé par un perceptron linéaire à seuil.
Travail à rendre: donner la démonstration algébrique de cette remarque.
45
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
TP à rendre: Réaliser un perceptron (en C ou Java) qui classifie des fleurs selon les
types Setosa et Versicolor.
Les données d’entrée sont (voir fichier Excel) :
- longueur des sépales en cm (Sepal length)
- et longueur des pétales en cm (Petal length),
Procédé:
Ø Construire un Perceptron avec:
- 3 entrées; 2 entrées (longueur sépale et longueur pétale de chaque fleur
mesurée ) + le biais
- et une sortie (0 pour Setosa et 1 pour Versicolor) pour la classification
Ø Procéder à l’apprentissage avec N Setosa et N Versicolor (2N itérations,
N<<50) et vérifier avec les autres données si votre perceptron parvient à
reconnaître les deux types.
46
Réseaux connexionnistes, Dr. Jean Marie Dembélé, UFR SAT, novembre 17
Pour un perceptron avec n entrées on peut borner la valeur des poids mais avec
de très grands nombres (exponentiels en fonction de n), donc on obtient une
convergence exponentielle.
47