Upload
oussama-werfelli
View
942
Download
1
Embed Size (px)
Citation preview
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