chapitre-5 réseau-de-neurones

1
Réseaux de neurons artificiels
Introduction
1
2
3
Neurone formel
Architecture des réseaux de neurones
2
www.yourwebsite.com
4
5
Notion d’apprentissage
Quelques modèles de réseaux de neurones
6Exemples d’application
2
Introduction

2
3
Pourquoi les réseaux de neurones?
•une architecture massivement parallèle
•Capacité de mémoire
•Capacité d'apprentissage
•Capacité de généralisation
•Capacité d'adaptation
•Capacité de traiter les informations incomplètes
•une faible consommation énergétique
L’objectif est de simuler l’intelligence
humaine
Modéliser mathématiquement le
cerveau
4
Utilisation des réseaux de neurones
•Classification
•Approximation de fonctions
•Prédiction - prévision
•Optimisation

3
5
Historique
•1943 :
•Modèle de McCulloch et Pitts : les premiers neurones formels
•1960 :
•Rosenblatt : modèle avec processus d’apprentissage, perceptron
•Minsky et Papert : limites du perceptron mono-couche
•1980 :
•Modèle de Hopefield
•Werbos : rétropropagation dans le cadre des perceptrons multi-
couches (popularisé en 1986 par Rumelhart)
6
Neurone biologique & neurone formel

4
7
Définitions
Un neurone formel est une fonction algébrique non linéaire et bornée, dont la
valeur dépend de paramètres appelés coefficients synaptiques ou poids.
Poids : est une valeur numérique associé à une connexion entre deux unités
qui reflète la force de la relation entre ces deux unités.
Apprentissage d’un réseau : les caractéristiques (poids) du réseau sont
modifiées jusqu’à ce que le comportement désiré soit obtenu.
8
Interprétation mathématique

5
9
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
10
Neurone formel: le modèle Mc Culloch et Pitts