Qu’est-ce qu’un réseau de neurones artificiels

 Les réseaux de neurones artificiels sont un moyen de modéliser le mécanisme d'apprentissage et de

traitement de l'information qui se produit dans le cerveau humain .
 Les réseaux de neurones artificiels sont des réseaux fortement connectés de processeurs élémentaires
fonctionnant en parallèle. Chaque processeur élémentaire calcule une sortie unique sur la base des
informations qu'il reçoit .
 Avantages et INCONVÉNIENTS des RNs
1/Avantages:

+ Capacité de représenter n'importe quelle fonction, linéaire ou pas, simple ou complexe.

+ Faculté d'apprentissage à partir d'exemples représentatifs ,L'apprentissage est automatique .
+ Résistance au bruit ou au manque de fiabilité des données.
+ Comportement moins mauvais en cas de faible quantité de données.
+ Pour l'utilisateur novice, l'idée d'apprentissage est plus simple à comprendre que les complexités des statistiques
multi variable .
2/ INCONVÉNIENTS:

– L'absence de méthode systématique permettant de définir la meilleure topologie du réseau et le nombre de

neurones à placer dans la (ou les) couche(s) cachée(s).
– Le choix des valeurs initiales des poids du réseau et le réglage du pas d'apprentissage, qui jouent un rôle
important dans la vitesse de convergence.
– La connaissance acquise par un réseau de neurone est codée par les valeurs des poids sont incompréhensible pour
l'utilisateur .
– Le problème du sur apprentissage (apprentissage au détriment de la généralisation).
 TYPES D’APPRENTISSAGE
On distingue les types 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 :
LE MODE HYBRIDE REPREND EN FAIT LES DEUX AUTRES APPROCHES, PUISQUE UNE PARTIE
DES POIDS VA ÊTRE DÉTERMINÉE PAR APPRENTISSAGE SUPERVISÉ ET L'AUTRE PARTIE PAR
APPRENTISSAGE NON-SUPERVISÉ.
 ALGORITHME D’APPRENTISSAGE
ALGORITHME D’APPRENTISSAGE DU PERCEPTRON
Le perceptron est un modèle de réseau de neurones avec algorithme d'apprentissage créé par Frank
Rosenblatt.
1. Initialisation des poids et du seuil à de petites valeurs aléatoires
2. Présenter un vecteur d’entrées x(μ) et calculer sa sortie
3. Mettre à jour les poids en utilisant :
 wj(t+1) = wj(t) + η (d- y) xj
avec d la sortie désirée, w vecteur des poids η est une constante positive ,qui spécifie le pas de
modification des poids
 ARCHITECTURE DE RESEAU
1/Les réseaux "Feedforward"
• Ce sont des réseaux dans les quels l'information se propage de couche en couche sans retour en arrière
possible.
• On distingue alors :
Perceptron monocouche
Perceptron multicouche(PMC)
Les neurones sont arrangés par couche. Il n'y a pas de connexion entre neurones d'une même couche et
les connexions ne se font qu'avec les neurones des couches avales .
2/Les réseaux ‘Feed back’
• Ce sont des réseaux dans les quels l'information se propage de couche en couche avec retour en arrière
possible