Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Presentation reseaux neurones perceptron

Evaluation Application du réseaux de neurones à F l ? apprentissage supervisé rt PD Ricco RAKOTOMALALA Expe Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC CMétaphore biologique Fonctionnement du cerveau Transmission de l ? information et apprentissage Evaluation Idées ma? tresses à retenir rt PDF ? Réception d ? une information signal e ? Activation Traitement simple par un neurone p ? Transmission aux autres neurones si seuil franchi x ? A la longue renforcement de certains liens APPRENTISSAGE E Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC CModèle de Mc Colluch et Pitts Le perceptron Simple Problème à deux classes positif et négatif Y ?? ?? Couche d ? entrée Couche de sortie tion Biais X a lua X a Fonction de transfert Fonction à seuil -- Fonction de Heaviside Entrées Eva Descripteurs X a a X d X ?? ? ? DF Poids synaptiques Modèle de prédiction et règle d ? a ?ectation d X a a x a x a x t P Si d X Alors Y Sinon Y per Le perceptron simple est un modèle de prédiction linéaire Ex Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC CApprentissage du perceptron simple X X X X a a a a n Comment calculer les poids tio synaptiques à partir d ? un ?chier de données a Y X X X alu Faire le parallèle avec la régression et les moindres carrés Un réseau de neurones peut être utilisé pour la régression Ev fonction de transfert avec une sortie linéaire PDF Quel critère optimiser rt Comment procéder à pe l ? optimisation Minimiser l ? erreur de prédiction Principe de l ? incrémentalité Ex Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC CExemple ?? Apprentissage de la fonction AND ET logique Exemple révélateur ?? Les premières applications proviennent de l ? informatique X X Y Données n tio a - lu - - - Eva Représentation dans le plan Principales étapes F Mélanger aléatoirement les observations D Initialiser aléatoirement les poids synaptiques P Faire passer les observations unes à unes ? Calculer l ? erreur de prédiction pour l ? observation rt ? Mettre à jour les poids synaptiques Jusqu ? à convergence du processus pe Une observation peut passer plusieurs fois Ex Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC CExemple AND Initialisation aléatoire des poids a a a tion Frontière a x x ?? x ?? x ?? alu Ev Règle de mise à jour des poids Pour chaque individu que l ? on fait passer Principe de l ? incrémentalité a j a j ? a j avec Force du signal F ? a j y ?? y x j D - Erreur P - Détermine s ? il faut réagir ou t - Constante d ? apprentissage non r Détermine l ? amplitude de l ? apprentissage e Quelle est la bonne valeur - Trop petit lenteur de convergence p Trop grand oscillation En général autour de dans