UNIVERSITE ABDELMALEK ESSADI

Faculté Des Science Juridiques, Economiques Et Sociales - Tétouan

Master spécialisé: Gestion Informatique de L’entreprise

Les réseaux de neurones

Encadré par:
Réalisé par: Pr. BOUDEN Halima
GHANNAME WISSAL
BARHOUN MOUNA
BEN JEBBAR OULAYA
 Plan
I. Introduction
II. Définitions
III. Configuration des RNS
IV.Architecture des RNS
V. L'utilisation des RNS
VI.Apprentissage et classement
VII.Etude de cas
VIII.Conclusion
Introduction
Definitions
Réseaux de neurone biologique : un neurone est une cellule capable de
transmettre des informations a d'autres neurones au travers de ses
différentes connexions (synapes).
Ils se décomposent en trois régions principales :

• le corps cellulaire
• les dendrites
• l'axone
Réseaux de neurones artificiel : est un outil
d'analyse permettant de construire un
modèle a partir de données ;
En informatique, on appelle réseau de
neurones un ensemble d'entrés (les
neurones) interconnectées . Dans la majorité
des cas, les neurones sont des fonctions
calculs par un programme informatique ,
mais ils sont parfois réalisés sur des circuits
électroniques.
Configuration des RNS
• Réseaux partiellement connectés: Chaque neurone
est relié à quelques neurones localisés dans son
périmètre

• Réseaux à connexions complètes: Chaque neurone

est lié à tous les autres neurones du réseau.

• Réseaux à couches: Tous les neurones d'une couche

sont connectés aux neurones de la couche en aval.
Architecture des RNS
• 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

• 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
L'utilisaion des RNS
les réseaux de neurones ont de nombreuses applications dans des domaines
très variés :
• traitement d'image ;
• traitement du signal ;
• Contrôle;
• Optimisation;
• Simulation;
• classification d'espèces animales étant donnée une analyse ADN ,
• modélisation de l'apprentissage et perfectionnement des méthodes de
l'enseignement,
• approximation d'une fonction inconnue ou modélisation d'une fonction
connue mais complexe à calculer avec précision
Apprentissage et classement
Pour un RNA, l'apprentissage peut être considéré comme le problème
de la mise à jour des poids des connexions au sein du réseau, afin de
réussir la tâche qui lui est demandée. L'apprentissage est la
caractéristique principale des RNA et il peut se faire de différentes
manières et selon différentes règles.
On distingue les types d’apprentissage :
• SUPERVISÉ;
• LE RENFORCEMENT;
• HYBRIDE;
Etude de cas
a. Préparation de son environnement
• Télécharger Python, dans sa version 3

b. Définition de nos variables

c. Propagation (phase forward)
d. Rétropropagation du gradient (phase backpropagation)
e. Code complet
3. Construire son perceptron avec KERAS
a. Préparation de son environnement

b. Utilisation de KERAS pour… tout faire !

Conclusion
Bibliographie
• https://www.math.univ-toulouse.fr/~besse/Wikistat/pdf/st-m-app-
rn.pdf
• https://www.futura-sciences.com/tech/definitions/informatique-
reseau-neuronal-601/
• https://openclassrooms.com/fr/courses/4470406-utilisez-des-
modeles-supervises-non-lineaires/4730716-entrainez-un-reseau-de-
neurones-simple
• https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition
• http://penseeartificielle.fr/focus-reseau-neurones-artificiels-
perceptron-multicouche/