Les réseaux de neurones Benoît Lesquerbault 01/06/2010 1 Introduction « ENIAC weighs 30 tons and dissipates 150,000 watts, … while human nervous system, which is functionally about a million times powerful, weighs a pound or two and disspates about 50 watts ». John von Neumann, 1948 01/06/2010 2 Le neurone Le neurone biologique : des dendrites un corps cellulaire un axone Dendrites Axone Corps cellulaire 01/06/2010 3 Le neurone Le neurone formel : des entrées xi et leur poids wi synaptique une fonction f d'activation (ou de transfert) une sortie y =f 01/06/2010 ∑ xi w i 4 Le neurone Les fonctions d'activation usuelles : Seuil linéaire sigmoïdale 01/06/2010 5 Le réseau de neurones Un réseau de neurones = des neurones connectés 01/06/2010 6 Le réseau de neurones L'apprentissage du réseau Apprentissage supervisé Correction d'erreur Loi de Hebb Apprentissage non-supervisé Compétitif Loi de Hebb 01/06/2010 7 Apprentissage supervisé Apprentissage avec professeur : 1. Le réseau (étudiant) répond à une question 2. Le professeur lui indique s'il se trompe ou non 3. Le réseau change sa façon de « raisonner » 4. On lui pose une nouvelle question 5. Lorsque le réseau est jugé prêt, il traite de nouvelles données 01/06/2010 8 Apprentissage supervisé La régression : Régression linéaire Régression logistique Série temporelle AR 01/06/2010 9 Apprentissage supervisé La régression : Et tant d'autres... 01/06/2010 10 Apprentissage supervisé La régression : Une alternative aux splines 0,70755 0,70750 0,70745 0,70740 Données : Fossil data de R, package SemiPar 0,70735 Modélisation du taux d'un isotope de strontium en fonction de l'âge du fossile. 0,70725 Observé Modélisé 0,70730 0,70720 0,70715 90 95 100 105 110 115 120 125 Ici : 2 neurones = 7 variables à estimer 01/06/2010 11 Apprentissage supervisé La discrimination : Calcul d'une probabilité à chaque classe (autant de sorties que de classes) → fonction Gibbs Affectation de l'individu à la classe la plus probable 01/06/2010 12 Apprentissage supervisé Quelques applications : Suppression de l'écho dans les communications téléphoniques (ADALINE) Prévision de propriétés physiques d'une matière à partir de sa composition moléculaire Système de poursuite Reconnaissance de forme (visages, lettres...) 01/06/2010 13 Apprentissage non supervisé Les cartes auto-organisatrices (SOM) : En biologie : Le cerveau est séparé en zone ayant chacune une fonction différente. Deux stimuli proches seront traités par des neurones voisins (ou identiques). 01/06/2010 14 Apprentissage non supervisé Les cartes auto-organisatrices (SOM) : → Idée de Kohonen : représenter n individus par k neurones sans (trop) perdre la notion de distance. Même principe que les k-means avec en plus, un lien entre les centres (neurones) : lorsqu'un neurone est choisit comme représentant, il se déplace vers l'individu et attire les neurones voisins 01/06/2010 15 Apprentissage non supervisé Les cartes auto-organisatrices (SOM) : Le lien entre les neurones définit la « géométrie » des classes : Réseau de Kohonen carré (2D) 01/06/2010 Réseau de Kohonen héxagonale (2D) Réseau de Kohonen cubique (3D) 16 Apprentissage non supervisé Application : la compression d'image Le pixel est un individu ayant une certaine quantité de rouge, de vert et de bleu. ...Et si on découpait l'image en carré plutôt qu'en pixel 01/06/2010 17 Apprentissage non supervisé JP E G Application : la compression par quadrillage Compression à 2% Ré se au Image 2848 x 2136 ≈ 6 millions pix. 01/06/2010 de Ko ho ne n 18 Apprentissage non supervisé JP EG Application : la compression par quadrillage Ré se au Détail de la photo 01/06/2010 de K oh on en 19 Apprentissage non supervisé D'autres apprentissages compétitif : Neural Gas (NG) → aucun lien entre neurones Competitive Hebbian Learning → création de lien entre neurones en fonction des individus représentés Growing Neural Gas (GNG) → création et suppression de neurones et de lien entre neurones 01/06/2010 20 En savoir plus G. Dreyfus,1998, Les réseaux de neurones, Mécanique Industrielle et Matériaux, n°51, http://www.neurones.espci.fr/Articles_PS/GAMI.pdf Z. Jianxun, L. Quanli, C. Zhuang, 2005, A Medical Image Segmentation Method Based on SOM and Wavelet Transforms, Journal of Communication and Computer, vol. 2, n°5 M. Parizeau, 2004, Réseaux de Neurones, http://sciences.ows.ch/informatique/RNF.pdf J. Rynkiewicz, M. Cotrell, M. Mangeas, J.F. Yao, 2001, Modèles de réseaux de neurones pour l'analyse des séries temporelles ou la régression : Estimation, Identification, Méthode d'élagage, http://samos.univ-paris1.fr/archives/ftp/preprints/samos141.pdf D. Urbani, P.Roussel-Ragot, L.Personnaz, G.Dreyfus, 1994, The selection of neural models of on-linear dynamical systems by statistical tests 01/06/2010 21 Les programmes utilisés R et le package NNet développé par le B.Ripley (http://www.r-project.org/) → rapide et efficace GINNet, développé par l'équipe CORTEX du LORIA (http://ginnet.gforge.inria.fr/telechargements.php) → ludique Kohonen développé par N.Rougier (http://www.loria.fr/~rougier/coding/index.html) → Compression d'image par quadrillage en niveau de gris 01/06/2010 22