Vous êtes sur la page 1sur 39

Expos

Intelligence Artifi cielle

Rseaux des Neurones

Ralis par
Mrabtei Ayoub
6/14/15

Plan
Introduction
Quelques Elments de la neurobiologie
Les Modules mathmatiques
Architecture du rseau
Apprentissage
Mise en place
Conclusion
6/14/15

Introduction

6/14/15

Approche
base sur la
connaissance
Inspiration de
traitement de
linformation
par le cerveau

Approche
algorithmique

La
construction
de logiciels
Les RNA sont des rseaux
fortement connects de
processeurs lmentaires
fonctionnant en parallle.
Chaque processeur calcule
une sortie unique sur la
base des informations qu'il
reoit
6/14/15

Cest une approche qui a t privilgie par


l'Intelligence Artificielle.
Les rseaux de neurones sont fortement inspirs
par le systme nerveux biologique
On peut entraner un rseau de neurone pour une
tche spcifique (reconnaissance de caractres
par exemple) en ajustant les valeurs des
connections (ou poids) entre les lments
neurone).

Dfinition
RNA

6/14/15

Intrt
Ils
sinscrivent
dans les
mutations
tech.

La limitation
des
ordinateurs
existants .

Les RNA sont


efficaces pour
effectuer grande
vitesse des calculs et,
dune manire
gnrale des tches
mcaniques

La structure des
rseaux de neurones
tant elle-mme
parallle, leur
fonctionnement
prsente de nombreux
avantages:
une vitesse de calcul
accrue, la rsistance
aux pannes locales, et
enfin la rgularit de
la structure

6/14/15

Quelques Elments de la neurobiologie

6/14/15

Cellules nerveuses

6/14/15

Description schmatique des lments dune


synapse

6/14/15

Apprentissage
Il est caractris par : Un systme initial aux
mcanismes de fonctionnement et au potentiel
dvolution fixs.
lvolution des connexions du rseau .
linteraction entre le monde extrieur et le rseau
.
Lapprentissage
un mcanisme
slectif
. lacquisition de proprits
peut tre
dfinit comme

associatives stables, et la mmorisation et le rappel de ces proprits ou


modifications.
6/14/15

10

Les Modules mathmatiques

6/14/15

11

Structure dun neurone


artificiel

Mise en correspondance neurone biologique / neurone artificiel

6/14/15

12

Fonctionnement interne
dun neurone
Un neurone reoit les signaux d'entre x1, ..., xn .
Ces signaux sont pondrs par des poids w1, ..., wn
.
L'activation du neurone
a= wi.xi
est transmise une fonction
de transition f (non linaire)
paramtre par un seuil w0
Le signal de sortie y = f (a-w0)
est propag aux cellules
suivantes
6/14/15

13

Les fonctions de transfert

6/14/15

14

Rseaux de neurones
naturels vs. artificiels
rseau naturel

rseau artificiel

fonctionnement du
neurone

ractions chimiques

fonctions
mathmatiques

temps de raction

relativement lent

trs rapide

nombre de neurones

environ 10

entre 10 et 10

nombre de connexions

environ 10

jusqu' 10

6/14/15

15

ARCHITECTURE DE RESEAU

6/14/15

16

Les rseaux "Feedforward"


Ce sont des rseaux dans les quels l'information
se propage de couche en couche sans retour en
arrire possible.
On distingue alors :
o
o

Perceptron monocouche
Perceptron multicouche(PMC)

Le perceptron est un modle de rseau de neurones avec algorithme


d'apprentissage
6/14/15

17

Perceptron monocouche

La sortie S est calcule par la formule :


S = 1si wi xi > s
0 si non

6/14/15

18

Perceptron
multicouche(PMC)

Les neurones sont arrangs par couche. Il n'y a pas de connexion entre
neurones d'une mme couche et les connexions ne se font qu'avec les
neurones des couches avales

6/14/15

19

Les rseaux fonction


radiale
Appel aussi RBF(en anglais : "Radial Basic
Functions").
Particularit :
les fonctions de base utilises ici sont des fonctions
Gaussiennes.
Utilit :
Les RBF seront donc employs dans les mmes
types de problmes que les PMC savoir, en
classification et en approximation de fonctions,
particulirement.
6/14/15

20

Les rseaux Feed back


Ce sont des rseaux dans les quels l'information
se propage de couche en couche avec retour en
arrire possible.

Rseau connexions compltes


rcurrentes

Rseau connexions

6/14/15

21

APPRENTISSAGE

6/14/15

22

Types dapprentissage
Il existe plusieurs types dapprentissage, les plus
utilises sont :
Mode supervis : les exemples sont des couples
(entre, sortie associe).
Mode non supervis: on dispose que des valeurs
(entre).
Apprentissage par renforcement.
Pour ces trois types d'apprentissage, il y a galement un choix traditionnel
entre :
o Lapprentissage << off-line >>
o Lapprentissage << on-line >>

6/14/15

23

Rgles dapprentissage
Rgle de Hebb

Par correction
derreur

Par
comptition

Apprentissage
de Boltzmann

4 rgles
principales

Esprit-Intelligence Artificielle

6/14/15

24

Algorithme dapprentissage
du perceptron
Initialisation des poids et du seuil de petites
valeurs alatoires
Prsenter un vecteur dentres x() et calculer sa
sortie
Mettre jour les poids en utilisant :
wj(t+1) = wj(t) + (d- y) xj
avec d la sortie dsire, w vecteur des poids est une constante
positive ,qui spcifie le pas de modification des poids

6/14/15

25

Apprentissage par
correction d'erreur

Initialiser la matrice des poids au hasard


Choisir un exemple en entre
Propager le calcul de cette entre travers le rseau
Calculer la sortie de cette entre
Mesurer l'erreur de prdiction par diffrence entre sortie relle
et sortie prvue
Calculer la contribution d'un neurone l'erreur partir de la
sortie
Dterminer le signe de modification du poids
Corriger les poids des neurones pour diminuer l'erreur
Le processus recommence ainsi, partir du choix de l'exemple
en entre, jusqu' ce qu'un taux d'erreur minimal soit atteint.
6/14/15

26

MISE EN PLACE

6/14/15

27

Prparation des
donnes

Dtermination
des paramtres

Dtermination
des entres et
des sorties

Optimisation du
jeu de donnes

Constitution de
la base
d'exemples

Codage des
entres

Phase
d'apprentissage

6/14/15

28

Les points
forts

Les points
faibles

Souplesse

Codage des
entres

Bonne
rsolution

Lisibilit

Traitement
des variables
continues

Non
optimalit

Outils
disponibles

Performance

6/14/15

29

Domaines dapplication
Arospatial : pilotage automatique, simulation du vol
Automobile : systme de guidage automatique,
Dfense : guidage de missile, suivi de cible,
reconnaissance du visage, radar, sonar, lidar, traitement
du signal, compression de donnes, suppression du
bruit
Electronique : prdiction de la squence dun code,
vision machine, synthtiseur vocal, modle non linaire,

Finance : Prvision du cot de la vie


Secteur mdical : Analyse EEC et ECG
Tlcommunications : Compression de donnes
6/14/15

30

Exemple dapplication
Reconnaissance des formes
IL y a plusieurs techniques pour la reconnaissance
de forme ou bien dordre Gnral la classification,
on cite deux mthodes :
La mthode classique :
La premire, la plus classique, consiste simplement mesurer la distance
euclidienne entre limage de test et toutes les images prsentes dans la
base dapprentissage afin den dterminer la plus faible.

6/14/15

31

Programmation Temps de calcul


extrmement
trs lent
rapide et un
temps daccs
aux informations
utiles immdiat

6/14/15

32

Mthodes modernes ou
par rseau de neurones
La seconde repose sur un rseau de neurone
discriminant.
La mthode du rseau
discriminant repose sur lutilisation
dun unique
rseau de neurones donnant en sortie la classe
dappartenance dune image inconnue en entre.
Il est compos dune couche dentre, dune
couche cache
et de plusieurs sorties pour
autant de personnes discriminer.

6/14/15

33

6/14/15

34

Le temps de calcul
ncessaire
lidentification est
rapide par rapport
a lautre mthode

Cette mthode
ncessite un trs
long apprentissage
qui dpend du
nombre de
neurones sur la
couche cache

6/14/15

35

Conclusion

6/14/15

36

Conclusion
lesrseaux de neurones reposent Prsent sur
des bases mathmatiques solides qui permettent
denvisager des applications dans presque tout
les domaines y compris industriel et grande
chelle, notamment dans le domaine de la
classification.

6/14/15

37

Perspectives
Les rseaux de neurones ont une histoire
relativement jeune (environ 50 ans) et les
applications intressantes des rseaux de neurones
nont vu le jour que depuis une vingtaine danne
(dveloppement de linformatique), et ils ont un
futur trs prometteur, on entend parler (par
exemple) du WEB smantique, RFID, etc.

6/14/15

38

Merci pour votre


attention

6/14/15

39