Vous êtes sur la page 1sur 13

Réseau de neurones artificiel (RNA)

 Un modèle de calcul inspiré du cerveau humain.

• Cerveau humain : • RNA :


– Un nombre fini de processeurs
– 10 milliards de neurones élémentaires (neurones).
– 60 milliards de connexions (synapses) – Liens pondérés passant un signal
d’un neurone vers d’autres.
– Un synapse peut être inhibant ou excitant.
– Plusieurs signaux d’entrée par
neurone
– Un seul signal de sortie

Cerveau RNA
cellule (soma) neurone
dendrites entrées
synapses poids
axon sortie

1
Comment un RNA apprend ?

 Les liens entre les neurones ont des poids numériques.


 Un poids reflète la force, l’importance, de l’entrée
correspondante.
 La sortie de chaque neurone est fonction de la somme pondérée
de ses entrées.
 Un RNA apprend en ajustant ses poids itérativement jusqu’à ce
que les sorties soient en accord avec les entrées.
2
Le neurone formel
Neurone formel: le modèle Mc Culloch et Pitts

3
Fonctions de transfert (ou fonctions d’activation)

 (a) : seuil (fonction de Heavyside)


 (b) : linéaire par morceaux
 (c) : sigmoïde g(x) = (1 + e – βx) -1

 (d) : gaussienne

4
Architecture des réseaux de
neurones
Réseaux bouclés

 Les neurones ne peuvent pas être ordonnés de sorte qu’il n’y ai pas
de connexion vers l’arrière

 Exemple -> réseau entièrement connecté :

5
Réseaux « non bouclés » ou réseaux à couches

 Les neurones peuvent être ordonnés de sorte qu’il n’y ai pas de


connexion vers l’arrière

 Exemple -> réseau à une couche intermédiaire :

6
Notion d’apprentissage
 Mise à jour des poids de connexion, en général à partir d’un ensemble de
données d’entraînement

 Modification itérative des poids

 Paradigme d’apprentissage : modélisation de l’environnement dans lequel le


réseau opèrera.

 3 paradigmes d’apprentissage:
 Supervisé : on veut qu’à une entrée corresponde une sortie
préalablement définie
 Non supervisé : on veut construire un réseau dont on ne connaît pas a
priori la sortie correspondant à des entrées données
 Hybride

 Règles d’apprentissage : gouvernent la mise à jour des poids du réseau

 Algorithme d’apprentissage : procédure dans laquelle les règles


d’apprentissage sont utilisées en vue de l’ajustement des poids
7
4 types de règles d’apprentissage:

 Correction d’erreur
 Apprentissage de Boltzmann
 Règle de Hebb
 Apprentissage par compétition

8
Quelques modèles de réseaux
de neurones

9
Le modèle de Hopefield

 Mémorisation de formes et de motifs


 Mémoire distribuée
 Mémoire associative

10
11
Applications
 Jeux vidéo:
 Natural Motion

 Problèmes de classification :
 Reconnaissance de visages
 Reconnaissance vocale
 Reconnaissance de caractèrs

 Beaucoup d’autres applications

12
Conclusion

 Approximateurs universels
 Aujourd’hui utilisés dans la vie quotidienne
(systèmes de tarifications basés sur la
classification des types de consommation)

13

Vous aimerez peut-être aussi