Réseaux de neurones
(neural computing)
Université Djillali Liabbes de Sidi Bel Abbes
Département d’informatique
Introduction
 l'objectif des chercheurs était de construire une
machine capable de reproduire certains aspects de
l'intel...
Historique
 Mac Culloch et Pitts ont proposé dès 1943 les
premiers neurones formels calqués sur les neurones
biologiques
...
Soma Soma
Synapse
Synapse
Dendrites
Axon
Synapse
Dendrites
Axon
Définition
 Qu'est-ce qu'un neurone ?
Un neurone est une ...
Comparaison
 Analogy: Biologique-Artificiel
Biological Neuron Artificial Neuron
corps cellulaire neurone
Dendrites inputs...
Comparaison (programmation)
Approches informatiques
Approche algorithmique (programmation
complète)
Création des « moteurs...
• Les entrées "E" du neurone
proviennent soit d’autres
éléments "processeurs", soit
de l’environnement.
• Les poids "W" dé...
La Fonction de Combinaison calcule
l’influence de chaque entrée en tenant
compte de son poids.p = ∑ Wi Ei
• Wi : Poids de ...
Les éléments de neurone artificiel
(model formel)
• Fonction en échelon.
• Fonction linéaire par morceaux.
• Fonction déri...
S = f(p)
SEUIL
+1
-1
p
Fonction de transfert
dérivable (sigmoïde) :
Les éléments de neurone artificiel
(model formel)
S = f(p)
SEUIL
+1
-1
p
Les éléments de neurone artificiel
(model formel)
Fonction de transfert
linéaire par morceaux :
S = f(p)
SEUIL
+1
-1
p
Fonction de
transfert
en échelon :
Les éléments de neurone artificiel
(model formel)
Configurations des NNs Réseaux partiellement connectés: Chaque neurone
est relié à quelques neurones localisés dans son p...
Architecture des NNs
 Les réseaux non bouclés :(feedforward).
 Réseaux bouclés : feedback network
ou récurrent Network
L’utilisation des NNs
Aujourd'hui, les réseaux de neurones ont de nombreuses applications dans des domaines très
variés :
...
Avantages des NNs
 Capacité de représenter n'importe quelle fonction, linéaire ou pas, simple ou complexe.
 > Faculté d'...
Inconvénients des NNs
 > L'absence de méthode systématique permettant de définir la meilleure topologie du réseau et le
n...
Conclusion
 Les réseaux de neurones artificiels, inspirés du comportement du cerveau humain,
permettent de créer de l'int...
Réseaux de neurones
Prochain SlideShare
Chargement dans…5
×

Réseaux de neurones

2 563 vues

Publié le

Publié dans : Internet
0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
2 563
Sur SlideShare
0
Issues des intégrations
0
Intégrations
82
Actions
Partages
0
Téléchargements
105
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Réseaux de neurones

  1. 1. Réseaux de neurones (neural computing) Université Djillali Liabbes de Sidi Bel Abbes Département d’informatique
  2. 2. Introduction  l'objectif des chercheurs était de construire une machine capable de reproduire certains aspects de l'intelligence humaine  Les réseaux de neurones artificiels « Neural Network » réalisés à partir du modèle biologique ne sont rien qu'une tentative de modélisation mathématique du cerveau humain  Ils sont donc conçus pour reproduire certaines de leurs caractéristiques comme : la capacité d'apprentissage la capacité de mémoriser l'information la capacité de traiter des informations incomplètes
  3. 3. Historique  Mac Culloch et Pitts ont proposé dès 1943 les premiers neurones formels calqués sur les neurones biologiques  Les réseaux de neurones appelé « NNs » ont donc une histoire relativement jeune (60 ans) mais ce n'est que depuis le début des années 1990 que les applications intéressantes des réseaux de neurones ont vu le jour
  4. 4. Soma Soma Synapse Synapse Dendrites Axon Synapse Dendrites Axon Définition  Qu'est-ce qu'un neurone ? Un neurone est une cellule d'un système permettant la communication et le traitement de l'information.  Qu'est-ce qu'un neurone artificiel ? Les réseaux de neurones artificiels sont un moyen de modéliser le mécanisme d'apprentissage et de traitement de l'information qui se produit dans le cerveau humain.
  5. 5. Comparaison  Analogy: Biologique-Artificiel Biological Neuron Artificial Neuron corps cellulaire neurone Dendrites inputs Axone output Synaps poids
  6. 6. Comparaison (programmation) Approches informatiques Approche algorithmique (programmation complète) Création des « moteurs d’inférence » (programme qui raisonne ; règles SI..ALORS.. ; système expert) l’approche connexionniste (réseaux neuronaux) Calcul non-algorithmique Information et mémoire distribuée dans le réseau Apprentissage par entraînement sur des exemples Inspiré du fonctionnement du cerveau Analogy: Approches pour résoudre un problème
  7. 7. • Les entrées "E" du neurone proviennent soit d’autres éléments "processeurs", soit de l’environnement. • Les poids "W" déterminent l’influence de chaque entrée. • La fonction de combinaison "p" combine les entrées et les poids. • La fonction de transfert calcule la sortie "S" du neurone en fonction de la combinaison en entrée. Σ Fct E1 E2 E3 E4 En S w1 w2 w3 w4 wn Σ f p FONCTION de TRANSFERT FONCTION de COMBINAISON Les éléments de neurone artificiel (le model formel)
  8. 8. La Fonction de Combinaison calcule l’influence de chaque entrée en tenant compte de son poids.p = ∑ Wi Ei • Wi : Poids de la connexion à l’entrée i. • Ei : Signal de l’entrée i. p Σ f E1 E2 E3 E4 En S w1 w2 w3 w4 wn FONCTION de COMBINAISON Les éléments de neurone artificiel (model formel) FONCTION de TRANSFERT La Fonction de Transfert détermine l'état du neurone (en sortie) • Calcul de la sortie : S = f(p) • La fonction de transfert "f" peut avoir plusieurs formes.
  9. 9. Les éléments de neurone artificiel (model formel) • Fonction en échelon. • Fonction linéaire par morceaux. • Fonction dérivable (sigmoïde). La fonction ‘f’ peut être de la forme :
  10. 10. S = f(p) SEUIL +1 -1 p Fonction de transfert dérivable (sigmoïde) : Les éléments de neurone artificiel (model formel)
  11. 11. S = f(p) SEUIL +1 -1 p Les éléments de neurone artificiel (model formel) Fonction de transfert linéaire par morceaux :
  12. 12. S = f(p) SEUIL +1 -1 p Fonction de transfert en échelon : Les éléments de neurone artificiel (model formel)
  13. 13. Configurations des NNs Réseaux partiellement connectés: Chaque neurone est relié à quelques neurones localisés dans son périmètre.  Réseaux à connexions complètes: Chaque neurone est lié à tous les autres neurones du réseau  Réseaux à couches:Tous les neurones d'une couche sont connectés aux neurones de la couche en aval.
  14. 14. Architecture des NNs  Les réseaux non bouclés :(feedforward).  Réseaux bouclés : feedback network ou récurrent Network
  15. 15. L’utilisation des NNs Aujourd'hui, les réseaux de neurones ont de nombreuses applications dans des domaines très variés : •traitement d'image : compression d'images, reconnaissance de caractères et de signatures, reconnaissance de formes et de motifs, cryptage, classification, ... •traitement du signal : traitement de la parole, identification de sources, filtrage, classification, ... •contrôle : diagnostic de pannes, commande de processus, contrôle qualité, robotique, ... •optimisation : allocation de ressources, planification, régulation de trafic, gestion, finance, ... •simulation : simulation boîte noire, prévisions météorologiques •classification d'espèces animales étant donnée une analyse ADN •modélisation de l'apprentissage et perfectionnement des méthodes de l'enseignement •approximation d'une fonction inconnue ou modélisation d'une fonction connue mais complexe à calculer avec précision
  16. 16. Avantages des NNs  Capacité de représenter n'importe quelle fonction, linéaire ou pas, simple ou complexe.  > Faculté d'apprentissage à partir d'exemples représentatifs, par « rétro propagation des Erreurs ». L'apprentissage (ou construction du modèle) est automatique  > Résistance au bruit ou au manque de fiabilité des données.  > Simple à manier, beaucoup moins de travail personnel à fournir que dans l'analyse statistique classique. Aucune compétence en matis, informatique statistique requise.  > Comportement moins mauvais en cas de faible quantité de données.  > Pour l'utilisateur novice, l'idée d'apprentissage est plus simple à comprendre que les complexités des statistiques multi variable
  17. 17. Inconvénients des NNs  > L'absence de méthode systématique permettant de définir la meilleure topologie du réseau et le nombre de neurones à placer dans la (ou les) couche(s) cachée(s).  > L e choix des valeurs initiales des poids du réseau et le réglage du pas d'apprentissage, qui jouent un rôle important dans la vitesse de convergence.  · Le problème du sur apprentissage (apprentissage au détriment de la généralisation).  > L a connaissance acquise par un réseau de neurone est codée par les valeurs des poids sont inintelligibles pour l'utilisateur
  18. 18. Conclusion  Les réseaux de neurones artificiels, inspirés du comportement du cerveau humain, permettent de créer de l'intelligence artificielle. Notamment appliqués en datamining principalement à travers l'apprentissage non supervisé, ils servent à prédire, à identifier et à classifier les données. L'apprentissage, moteur essentiel du système, leur permet d'assimiler un traitement d'information à travers une fonction et de le reproduire pour les données qui lui seront ensuite présentées. Les réseaux de neurones sont beaucoup utilisés en finance et en gestion en tant qu'outil d'aide à la décision, mais ils peuvent être utiles à bien d'autres applications dans des secteurs allant de l'archéologie à la médecine en passant par les télécommunications. De plus, ils s'avèrent être prometteurs pour celui qui les a inspirés : le cerveau humain. A travers la neuro-informatique, ils peuvent reproduire celui-ci afin de tester différentes pistes qui les mèneront vers de considérables progrès biotechnologiques

×