Remerciez-le!

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

1 Réseau de neurones artificiel (RNA)  Un modèle de calcul inspiré du cerveau

1 Réseau de neurones artificiel (RNA)  Un modèle de calcul inspiré du cerveau humain. • Cerveau humain : – 10 milliards de neurones – 60 milliards de connexions (synapses) – Un synapse peut être inhibant ou excitant. • RNA : – Un nombre fini de processeurs élémentaires (neurones). – Liens pondérés passant un signal d’un neurone vers d’autres. – Plusieurs signaux d’entrée par neurone – Un seul signal de sortie Cerveau RNA cellule (soma) neurone dendrites entrées synapses poids axon sortie 2 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. 3 Neurone formel: le modèle Mc Culloch et Pitts Le neurone formel 4 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 5 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 : Architecture des réseaux de neurones 6 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 : 7  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 Notion d’apprentissage 8 4 types de règles d’apprentissage:  Correction d’erreur  Apprentissage de Boltzmann  Règle de Hebb  Apprentissage par compétition 9 Quelques modèles de réseaux de neurones 10 Le modèle de Hopefield  Mémorisation de formes et de motifs  Mémoire distribuée  Mémoire associative 11 12 Applications  Jeux vidéo: Natural Motion Problèmes de classification : Reconnaissance de visages Reconnaissance vocale Reconnaissance de caractèrs Beaucoup d’autres applications 13 Approximateurs universels Aujourd’hui utilisés dans la vie quotidienne (systèmes de tarifications basés sur la classification des types de consommation) Conclusion uploads/Ingenierie_Lourd/ expose-madi.pdf