Le réseau de neurones Professeur: Bui Quang Anh L’universitaire imaginaire de l’IFI
Le but du cours <ul><li>La connaissance principale du réseau de neurones </li></ul><ul><li>Les domaines d’application </li...
Sommaire <ul><li>L’histoire </li></ul><ul><li>La connaissance de base du cerveau </li></ul><ul><li>Les principes du réseau...
L’histoire <ul><li>En 1929, la mesure de l’activité d’un cerveau a commencé </li></ul><ul><li>En 1951, le premier ordinate...
La connaissance de base du cerveau <ul><li>Le réseau de neurones est modelé sur le système biologique </li></ul><ul><li>Il...
La connaissance de base du cerveau <ul><li>Dans le cerveau, il y a beaucoup de neurones </li></ul><ul><li>Les neurones se ...
La structure d’une neurone
Les dendrites <ul><li>Ils se présentent sous forme d'arborisations fines et courtes </li></ul><ul><li>Le nombre des dendri...
L’axone <ul><li>L'axone se présente sous forme d'une tige allongée, de surface lisse, de calibre invariable </li></ul><ul>...
Le potentiel d'action <ul><li>Dans le noyau, le pontentiel de repos est -70mV </li></ul><ul><li>Le potentiel évalué sont p...
Les principes du réseau de neurones <ul><li>Le réseau de neurones simule le système de neurones biologiques </li></ul>
Les principes du réseau de neurones <ul><li>Les couches de neurones </li></ul><ul><li>Les neurones d’une couche se connect...
Les principes du réseau de neurones <ul><li>L’intensité du signal qui est transmis dans le synape est multiplié par le poi...
Quelques types de fonction d’activation
L’apprentisage <ul><li>Un ensemble d’exemples </li></ul><ul><li>On va changer les poids lourds si le résultat n’est pas vr...
Le perceptrons <ul><li>On l’utilise pour le classifieur linéaire </li></ul>
Le classifieur linéaire? Qu’est-ce que c’est
Un exemple <ul><li>Il y a deux type d’objects que l’on doit classifier </li></ul>
Un exemple <ul><li>Voici la structure du perceptrons pour ce problème </li></ul>
Un exemple <ul><li>t: le rendement de cible de cette formation </li></ul><ul><li>o: le seuil </li></ul><ul><li> : le taux...
Un exemple w 0 w 1 w 2 x 1 x 2 t = x 1    x 2  o = /w 0  + w 1 x 1  + w 2 x 2 /  w 0  w 1  w 2 1 0 1 1 1  1 1  2  ...
Les domaines d’application <ul><li>L’identification </li></ul><ul><li>La classification </li></ul><ul><li>Les systèmes exp...
La fin Merci d’avoir suivi ma présentation
Prochain SlideShare
Chargement dans…5
×

Le Reseau De Neurones

3 349 vues

Publié le

Publié dans : Formation, Technologie, Business
0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
3 349
Sur SlideShare
0
Issues des intégrations
0
Intégrations
22
Actions
Partages
0
Téléchargements
106
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Le Reseau De Neurones

  1. 1. Le réseau de neurones Professeur: Bui Quang Anh L’universitaire imaginaire de l’IFI
  2. 2. Le but du cours <ul><li>La connaissance principale du réseau de neurones </li></ul><ul><li>Les domaines d’application </li></ul><ul><li>Les étudiants peuvent construire des applications simples </li></ul>
  3. 3. Sommaire <ul><li>L’histoire </li></ul><ul><li>La connaissance de base du cerveau </li></ul><ul><li>Les principes du réseau de neurones </li></ul><ul><li>Les domaines d’application </li></ul>
  4. 4. L’histoire <ul><li>En 1929, la mesure de l’activité d’un cerveau a commencé </li></ul><ul><li>En 1951, le premier ordinateur à réseau de neurones </li></ul><ul><li>En 1986, le perceptron multi-couche et l’algorithm “Backpropagation” apparait </li></ul>
  5. 5. La connaissance de base du cerveau <ul><li>Le réseau de neurones est modelé sur le système biologique </li></ul><ul><li>Il simule le procédé du cerveau </li></ul>
  6. 6. La connaissance de base du cerveau <ul><li>Dans le cerveau, il y a beaucoup de neurones </li></ul><ul><li>Les neurones se connectent par les synapes </li></ul><ul><li>Il y a des signaux qui sont transmis dans les neurones </li></ul>
  7. 7. La structure d’une neurone
  8. 8. Les dendrites <ul><li>Ils se présentent sous forme d'arborisations fines et courtes </li></ul><ul><li>Le nombre des dendrites varie selon chaque type de cellule </li></ul>
  9. 9. L’axone <ul><li>L'axone se présente sous forme d'une tige allongée, de surface lisse, de calibre invariable </li></ul><ul><li>Il y a un seul axone par cellule nerveuse </li></ul><ul><li>L’intensité du signaul dépend au longeur de l’axone </li></ul>
  10. 10. Le potentiel d'action <ul><li>Dans le noyau, le pontentiel de repos est -70mV </li></ul><ul><li>Le potentiel évalué sont produises aux dendrites </li></ul><ul><li>Si le total d’intensité de signaux est augmenté ~15mV (le pontentiel est de –70mV -> -55mV), la neurone “brulera” </li></ul>
  11. 11. Les principes du réseau de neurones <ul><li>Le réseau de neurones simule le système de neurones biologiques </li></ul>
  12. 12. Les principes du réseau de neurones <ul><li>Les couches de neurones </li></ul><ul><li>Les neurones d’une couche se connectent aux neurones d’autre couche par les synapes </li></ul><ul><li>Chaque synape a un poids lourd </li></ul>
  13. 13. Les principes du réseau de neurones <ul><li>L’intensité du signal qui est transmis dans le synape est multiplié par le poids lourd </li></ul><ul><li>La fonction d’activation </li></ul>
  14. 14. Quelques types de fonction d’activation
  15. 15. L’apprentisage <ul><li>Un ensemble d’exemples </li></ul><ul><li>On va changer les poids lourds si le résultat n’est pas vrai </li></ul><ul><li>La fonction d’erreur et le taux d’apprentisage: comment on va changer les poids lourds </li></ul>
  16. 16. Le perceptrons <ul><li>On l’utilise pour le classifieur linéaire </li></ul>
  17. 17. Le classifieur linéaire? Qu’est-ce que c’est
  18. 18. Un exemple <ul><li>Il y a deux type d’objects que l’on doit classifier </li></ul>
  19. 19. Un exemple <ul><li>Voici la structure du perceptrons pour ce problème </li></ul>
  20. 20. Un exemple <ul><li>t: le rendement de cible de cette formation </li></ul><ul><li>o: le seuil </li></ul><ul><li> : le taux d’apprentisage (la constante positive) </li></ul>w i  w i +  w i  w i   (t – o)x i
  21. 21. Un exemple w 0 w 1 w 2 x 1 x 2 t = x 1  x 2 o = /w 0 + w 1 x 1 + w 2 x 2 /  w 0  w 1  w 2 1 0 1 1 1  1 1  2  2  2  1  2  1 1  1 1  1 2 2  2 1 0  3  1 1  1  1 0 0 0 1 0  3  1  1  1 1  2 2 2  1 2  1 1 1  1  1 0 0 0  1 2  1 1  1 1 1 0 0 0  1 2  1  1 1  1  1 0 0 0  1 2  1  1  1  1  1 0 0 0
  22. 22. Les domaines d’application <ul><li>L’identification </li></ul><ul><li>La classification </li></ul><ul><li>Les systèmes experts </li></ul>
  23. 23. La fin Merci d’avoir suivi ma présentation

×