réseaux de neurones artificiels

1

LES RÉSEAUX DE NEURONES

par Oussama WERFELLI

3

PLAN Introduction Historique Les réseaux de neurones Quelques modèles & exemples Conclusion

4

INTRODUCTION L’objectif était de simuler l’intelligence humaine

Modéliser mathématiquement le cerveau Afin de reproduire certaines caractéristiques

Capacité de mémoire Capacité d’apprentissage Capacité de traiter les informations incomplètes

5

HISTORIQUE Warren McCulloch et Walter Pitts (1943): les premiers neurones formels

Rosenblatt (1958): modèle avec processus d ’apprentissage, perceptron

Rumelhart (1980): perceptron multicouches Mais ce n'est que depuis le début des années 1990 que les applications intéressantes des réseaux de neurones ont vu le jour

LES RÉSEAUX DE NEURONES

7

NEURONE BIOLOGIQUE & FORMEL

synapse

Noyau

Axone

Dendrites

f(..)

poids

entrées

Fonction de

transfert

Sortie

w

x

8

DÉFINITIONS Un neurone formel : Est une fonction algébrique non linéaire et bornée, dont la valeur dépend de paramètres appelés coefficients synaptique 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.

9

NEURONE

x1

x2

x3

w1

w2

w3

Fonction de combinaisonZ=x1.w1+x2.w2+x3.w3

Fonction d’activationf(Z)

Avec Seuilθ

Coefficient synaptique

OActivation

Entrées ∑ φ

• en dessous du seuil, le neurone est non-actif

• aux alentours du seuil, une phase de transition

• au-dessus du seuil, le neurone est actif

10

DÉFINITIONS

Un réseau de neurones artificielle : est un circuit composé d'un nombre très important d'unités de calcul simples basées sur des neurones formels . ’Albert Negrin,1993, Cambridge’

11

CLASSIFICATION DES RÉSEAU DE NEURONES

QUELQUES MODÈLES & EXEMPLES

13

MLP(MULTI-LAYER PERCEPTRON)

Le nombre de couches cachées et le nombre de neurones par couche ont une influence sur la qualité de l’apprentissage. Couche d’entrer

Couche de sortie

Couche cachée

14

MLP : EXEMPLE https://www.youtube.com/watch?v=Iv_Fy6Urik4

15

MLP : EXEMPLE (SUITE)

16

HOPFIELDx1

x4

x5x2

x3

x6

17

HOPFIELD : EXEMPLE https://www.youtube.com/watch?v=SL8vSUoeWjU

18

HOPFIELD : EXEMPLE https://www.youtube.com/watch?v=69ysnJfMX2k

19

YOUTUBE UTILISE LES RÉSEAUX DE NEURONES

20

SWIFTKEY NEURAL

21

CONCLUSION Les réseaux de neurones sont utilisés dans plusieurs domaine notamment : Datamining : ils servent à prédire, à identifier et à classifier les données Finance et gestion : outil d'aide à la décision Robotique : apprentissage de robot autonome Etc…

Les réseaux de neurones sont puissant : on peut presque toujours baisser l’erreur en augmentant le nombre de neurones

Les solution actuels sont coûteuses en temps de calcule

MERCI POUR VOTRE ATTENTION