Académique Documents
Professionnel Documents
Culture Documents
neurones
Bouamama Mustapha
Plan :
1) Introduction
2) Modèle Biologique
3) Les modules mathématiques
4) Différents types d’architectures de réseaux
5) Apprentissage
6) Conclusion
1)INTRODUCTION
Approche
algorithmique
L’inspiration de
Approche
traitement de
basée sur la
l’information
connaissance
par le cerveau
La
construction
de logiciels RNA
Définition de RNA
Les réseaux de neurones ont une remarquable faculté à donner un sens, extraire des règles
et des tendances à partir de données compliquées, bruitées et imprécises. Ils peuvent
s'utiliser pour extraire des modèles et détecter des tendances reposant sur des fonctions
mathématiques compliquées qui sont trop difficiles, voire impossible, à modéliser à l'aide de
techniques analytiques ou paramétriques traditionnelles. L'une des propriétés intéressantes
des réseaux de neurones est qu'ils savent prévoir avec précision des données qui ne
faisaient pas partie des données d'apprentissage, un processus connu sous le nom
de généralisation. Compte tenu de ces caractéristiques et de leur domaine d'application
étendu, les réseaux de neurones sont particulièrement bien adaptés à l'application de
problématiques concrètes dans les domaines de la recherche scientifique, commerciale et
industrielle.
Quelques domaines d’application:
Classification
Robotique
Reconnaissance de formes
Approximation de fonctions
Prédiction - prévision
Optimisation
Mémoire adressable par le contenu
Diagnostiques et suivi médical
2)Modèle Biologique
Par correction
d’erreur
Apprentissage
Règle de Hebb
de Bolztmann
5 règle La règle
Par
d’apprentissage d'apprentissage
compétition
du Perceptron
5)Apprentissage
Règle de Hebb
La loi de Hebb (1949) : "Si 2 cellules sont activées en même temps, alors la
force de la connexion augmente." est à la base de l'apprentissage non
supervisé !
Prenons deux neurones :
i : le neurone amont (ou présynaptique)
j : le neurone aval (ou post-synaptique)
wij : le poids de la connexion.
0 0 0
0 1 0
1 0 0
1 1 +
5)Apprentissage
Règle de Hebb
On passe directement, sans modification des poids à l'exemple (4). Celui-ci aussi est correctement traité.
On revient alors au début de la base d'apprentissage : l'exemple (1). Il est correctement traité, de même pour
le second (2). L'algorithme d'apprentissage est alors terminé
6)Conclusion