Académique Documents
Professionnel Documents
Culture Documents
Plan du module
Notions de base
Le perceptron
Plan de la partie
Historique et développements
Modélisation du neurone
Types d’apprentissage
Notions de base
Historique et développements
Historique et développements
Calcul non-algorithmique
Information et mémoire distribuée dans le réseau
Architecture massivement parallèle (processeurs
élémentaires interconnectés)
Apprentissage par entraînement sur des exemples
Inspiré du fonctionnement du cerveau
Notions de base
Historique et développements
Niveaux de modélisation :
CIRCUITS NEURONAUX
MECANISMES MENTAUX
COMPORTEMENT INTELLIGENT
Notions de base
Historique et développements
Historique
1943 J.Mc Culloch et W.Pitts établissent le "modèle logique" du
neurone qui ouvre la voie à des modèles techniques.
1949 D.Hebb élabore une théorie formelle de l’apprentissage
biologique par modifications des connexions neuronales.
1957 F.Rosenblatt réalise le Perceptron, le premier modèle technique
basé sur la modification des poids.
1960 B.Widrow réalise Adaline (Adaptive Linear Element), un réseau
adaptatif de type perceptron.
1969 M.Minsky et S.Papert émettent des critiques et démontrent les
limites des modèles neuronaux de type perceptron.
La recherche s'arrête durant un peu plus d'une dizaine d'années.
1982 J.Hopfield (physicien) propose une nouvelle approche des
réseaux neuronaux basée sur l’analogie avec les milieux à grand
nombre de particules. Cela relance l’intérêt pour les réseaux
neuronaux
depuis 1984 : développement croissant du domaine connexionniste
aussi bien en IA qu’en informatique.
Notions de base
Historique et développements
Applications
Traitement des images
Identification des signatures
Reconnaissance des caractères (dactylos ou manuscrits)
Reconnaissance de la parole
Reconnaissance de signaux acoustiques (bruits sous-
marins, …)
Extraction d’un signal du bruit
Contrôle de systèmes asservis non-linéaires (non
modélisables)
Robotique (apprentissage de tâches)
Aide à la décision (domaine médical, bancaire,
management, …)
Notions de base
Modélisation du neurone
Le neurone réel
Dans un cerveau, il y a
10^12 neurones avec 10^3 à
10^4 connexions par
neurone.
Dendrite : récepteur des
messages
Corps : génère le potentiel
d’action (la réponse)
Axone : transmet le signal
aux cellules suivantes
Synapse : jonction axone -
dendrite (plus ou moins
passante)
Neurone : élément autonome
dépourvu d’intelligence
Notions de base
Modélisation du neurone
La modélisation du système nerveux biologique repose
sur la correspondance suivante
Synapse Poids
Notions de base
Modélisation du neurone
E1 w1
E2 w2 p
w3
E3
w4 Σ f S
E4 wn
En
Notions de base
Modélisation du neurone
Les éléments constitutifs du neurone artificiel
Modélisation du neurone
ou encore : w3
E3
w4 Σ f S
S = f(∑ Wi Ei)
wn
La fonction de transfert E4
"f" peut avoir plusieurs
formes. En
FONCTION
de
TRANSFERT
Notions de base
Modélisation du neurone
Fonction en échelon.
Modélisation du neurone
Fonction de transfert en échelon :
S = f(p)
+1
p
SEUIL
-1
Notions de base
Modélisation du neurone
Fonction de transfert linéaire par morceaux :
S = f(p)
+1
p
SEUIL
-1
Notions de base
Modélisation du neurone
Fonction de transfert dérivable (sigmoïde) :
S = f(p)
+1
p
SEUIL
-1
Notions de base
Types d’apprentissage
Types d’apprentissage
Apprentissage supervisé (ex: OCR)
Association imposée entre un
vecteur d’entrée (forme
multidimensionnelle) et un
vecteur de sortie (la réponse
désirée).
RESEAU b
Σ f
c
z
Notions de base
Types d’apprentissage
Apprentissage non supervisé
Le perceptron
Le perceptron
Plan de la partie
UTILISATION
APPRENTISSAGE du RESEAU
PHASE 1 PHASE 2
Le perceptron
L’algorithme d’apprentissage
L’algorithme d’apprentissage
Algorithme du perceptron (algorithme de principe)
E2
Pour deux classes :
– +
C1 (S = +1):
{(+1;+1); (+1;-1);(-1;+1)}
C2 (S = -1): « OU » logique
(-1;-1)
Le perceptron
Réseaux multicouches à
rétro-propagation de l’erreur
Réseaux multicouches à rétro-propagation de l’erreur
Plan de la partie
Σ fT
COUCHE UNIQUE*
Σ fT
Σ fT
*Les entrées des réseaux sont soit des sorties d'autres neurones, soit
des entrées directes dans le réseau (par exemple des pixels).
Réseaux multicouches à rétro-propagation de l’erreur
Σ f
Σ f
Σ f
Σ f
Σ f
COUCHE EN SORTIE
COUCHE EN ENTREE*
*Les entrées des réseaux sont soit des sorties d'autres neurones, soit
des entrées directes dans le réseau (par exemple des pixels).
Réseaux multicouches à rétro-propagation de l’erreur
Σ f
Σ f
Σ f ?
Σ f
Σ f
COUCHE COUCHE EN SORTIE
CACHEE
COUCHE EN ENTREE*
*Les entrées des réseaux sont soit des sorties d'autres neurones, soit des entrées
directes dans le réseau (par exemple des pixels).
Réseaux multicouches à rétro-propagation de l’erreur
ACTIVATION
ACTIVATION
Σ f E
Σ f Σ f R
R
Σ f E
Σ f Σ f U
R
Σ f
COUCHE COUCHE EN SORTIE
CACHEE
COUCHE EN ENTREE CORRECTION
CORRECTION de l'ERREUR
de l'ERREUR
Réseaux multicouches à rétro-propagation de l’erreur
W Z
x1 Σ f E
Σ f R
R
x2 Σ f E
Σ f U
R
xn Σ f
h
COUCHE
x L neurones o
ENTREES COUCHE EN SORTIE
I J neurones
Réseaux multicouches à rétro-propagation de l’erreur
1
f ( x) x
1 e
et sa dérivée :
e x e x
f ( x)1 f ( x)
1
f ( x)
1 e
x 2 x
1 e 1 e x
Réseaux multicouches à rétro-propagation de l’erreur
L’algorithme d’apprentissage
L’algorithme d’apprentissage
L’algorithme d’apprentissage
Z t 1 Z t . sortie,k .h Z t t Z
T
k
L’algorithme d’apprentissage
L’algorithme d’apprentissage
L’erreur
sortie, k se propage en sens inverse
(back-propagation) à travers les connexions Z.
Elle est pondérée par l’activation f (Wx k ) des
cellules cachées.
Le signal d’erreur :
L’algorithme d’apprentissage
Wt 1 Wt . cachée,k .x Wt tW
T
k
Pause-réflexion sur cette 3ème partie
Résumé du module
Rétro-
propagation de
Perceptron : NEURONE l'erreur :
principe de = estimation de
séparabilité Combinaison l'erreur en
linéaire + couches
Transfert cachées
Publications
Réseaux Réseaux de
neuronaux neurones
Une introduction
Gérard Dreyfus,
(modèle JAVA)
Manuel Samuelides,
J-P RENNARD Jean-Marc Martinez,
Mirta B. Gordon,
(Vuibert) 2006
Fouad Badran,
Sylvie Thiria,
Laurent Hérault
Les réseaux de
neurones (Eyrolles) 2004
Hervé ABDI
(PUG) 1994