SlideShare une entreprise Scribd logo
1  sur  26
Qu’est ce que vous voyez ?
Université de Ghardaïa
Faculté des Sciences et Technologie
Département des Mathématiques et Informatique
Spécialité : Master 2 SIEC
PAR :
o Soumia Elyakote HERMA
o Khadidja SAIFIA
DIRIGÉ PAR :
o M. OULEDMAHREZ Abdelkader
PLAN
 Introduction aux réseaux de neurones (RNs)
 Historique aux (RNs)
 Définitions (RNs)
 Neurones biologie
 Réseau de neurone artificiel
 Configurations de (RNs)
 Architecture de (RNs)
 Fonctionnement de (RNs)
 Les fonctions de combinaison
 Les fonctions de transfert
 Apprentissage et classement
 Algorithmes d’apprentissage
 conclusion
L’objectif des chercheurs était de construire
une machine capable de reproduire certains aspects
de l’intelligence humaine.
INTRODUCTION
Comment faitent-ils pour raisonner, parler, calculer,
apprendre, ...? Comment s'y prendre pour créer une ou de
l'intelligence artificielle ?
HISTORIQUE
• 1943: J. MCCULLOCH & W. PITTS
proposent un modèle simple de neurone capable de produire une machine de Turing.
• 1948: D. HEBB
propose une règle d'apprentissage pour des réseaux de neurones .
• 1958: F. ROSENBLATT
propose le modèle du Perceptron et démontre son théorème de convergence.
• 1969: M. MINSKY & S. PAPERT
démontrent les limitations du modèle du Perceptron.
• 1985: APPRENTISSAGE PAR RÉTRO-PROPAGATION POUR LES RÉSEAUX MULTI-COUCHES.
RÉSEAUX DE NEURONES BIOLOGIQUE
Un neurone est une cellule capable de
transmettre des informations à d’autres neurones au
travers de ses différentes connexions (synapses).
Ils se décomposent en trois régions principales :
• Le corps cellulaire
• Les dendrites
• L’axone
FONCTIONNEMENT DES NEURONES
Les neurones reçoivent des signaux
(impulsions électriques) par les dendrites et
envoient l ’information par les axones.
Les contacts entre deux neurones (entre axone
et dendrite) se font par l ’intermédiaire des
synapses.
LES RÉSEAUX DE NEURONES ARTIFICIELS(RNS)
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
DÉFINITION
• Un réseau de neurones est un outil d’analyse
permettant de construire un modèle à partir de
données, d’exemples.
• En informatique, on appelle réseau de neurones
un ensemble d’entrés (les neurones)
interconnectées. Dans la majorité des cas, les
neurones sont des fonctions calcules par un
programme informatique, mais ils sont parfois
réalisés sur des circuits électronique.
* LES ÉLÉMENTS DE NEURONE ARTIFICIEL (LE
MODEL FORMEL)
• 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.
COMPARUTION
Analogie biologie-artificiel
Biological
Neuron
Artificial Neuron
corps cellulaire neurone
Dendrites inputs
Axone output
Synaps poids
APPRENTISSAGE ET CLASSEMENT
Pour un RNA, l'apprentissage peut être considéré
comme le problème de la mise à jour des poids
des connexions au sein du réseau, afin de réussir
la tâche qui lui est demandée. L'apprentissage est
la caractéristique principale des RNA et il peut se
faire de différentes manières et selon différentes
règles.
On distingue les types d’apprentissage :
SUPERVISÉ :
Dans ce type d'apprentissage, le réseau s'adapte par
comparaison entre le résultat qu'il a calculé, en fonction des
entrées fournies, et la réponse attendue en sortie. Ainsi, le réseau
va se modifier jusqu'a ce qu'il trouve la bonne sortie, c'est-à-dire
celle attendue, correspondant à une entrée donnée.
LE RENFORCEMENT :
Le renforcement est en fait une sorte d'apprentissage supervisé et
certains auteurs le classe d'ailleurs, dans la catégorie des modes
supervisés. Dans cette approche le réseau doit apprendre la
corrélation entrée/sortie via une estimation de son erreur, c'est-à-dire
du rapport échec/succés. Le réseau va donc tendre à maximiser un
index de performance qui lui est fourni, appelé signal de renforcement.
Le système étant capable ici, de savoir si la réponse qu'il fournit est
correcte ou non, mais il ne connait pas la bonne réponse.
HYBRIDE :
LE MODE HYBRIDE REPREND EN FAIT LES DEUX AUTRES
APPROCHES, PUISQUE UNE PARTIE DES POIDS VA ÊTRE
DÉTERMINÉE PAR APPRENTISSAGE SUPERVISÉ ET L'AUTRE
PARTIE PAR APPRENTISSAGE NON-SUPERVISÉ.
NON-SUPERVISÉ (OU AUTO-ORGANISATIONNEL) :
Dans ce cas, l'apprentissage est basé sur des
probabilités. Le réseau va se modifier en fonction
des régularités statistiques de l'entrée et établir
des catégories, en attribuant et en optimisant une
valeur de qualité, aux catégories reconnues.
CONFIGURATIONS DES RNS
- 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.
ARCHITECTURE DES RNS
 Les réseaux non bouclés :(feedforward).
 Réseaux bouclés : feedback network ou récurrent
Network
LES FONCTIONS DE COMBINAISON
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 FONCTIONS DE TRANSFERT
ALGORITHMES D’APPRENTISSAGE
ALGORITHME D’APPRENTISSAGE DU PERCEPTRON
 Le perceptron est un modèle de réseau de neurones avec
algorithme d'apprentissage créé par Frank Rosenblatt.
1. Initialisation des poids et du seuil à de petites valeurs aléatoires
2. Présenter un vecteur d’entrées x(μ) et calculer sa sortie
3. Mettre à jour les poids en utilisant :
 wj(t+1) = wj(t) + η (d- y) xj
 avec d la sortie désirée, w vecteur des poids η est une constante
positive ,qui spécifie le pas de modification des poids
ALGORITHMES D’APPRENTISSAGE
ALGORITHMES D’APPRENTISSAGE PAR CORRECTION
D’ERREUR
 Initialiser la matrice des poids au hasard
 Choisir un exemple en entrée
 Propager le calcul de cette entrée à travers le réseau
 Calculer la sortie de cette entrée
 Mesurer l'erreur de prédiction par différence entre sortie réelle et
sortie prévue
 Calculer la contribution d'un neurone à l'erreur à partir de la sortie
 Déterminer le signe de modification du poids
 Corriger les poids des neurones pour diminuer l'erreur
 Le processus recommence ainsi, à partir du choix de l'exemple en
entrée, jusqu'à ce qu'un taux d'erreur minimal soit atteint.
 il s'agit de calculer une erreur et d'essayer de minimiser cette
erreur.
ALGORITHMES D’APPRENTISSAGE
ALGORITHMES D’APPRENTISSAGE PAR DESCENTE DE
GRADIENT
 L'algorithme de Widrow-Hoff est très souvent utilisé en
pratique et donne de bons résultats. La convergence est, en
général, plus rapide que par la méthode du gradient. Il est
fréquent pour cet algorithme de faire diminuer la valeur
de e en fonction du nombre d'itérations comme pour
l'algorithme du gradient.
ALGORITHMES D’APPRENTISSAGE
ALGORITHMES D’APPRENTISSAGE WIDROW-HOFF (OU ADALINE)
DOMAINE D’APPLICATION
 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
AVANTAGES ET INCONVÉNIENTS
AVANTAGES DES RNS
 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
AVANTAGES ET INCONVÉNIENTS
INCONVÉNIENTS DES RNS
 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).
 Le 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).
 La connaissance acquise par un réseau de neurone est
codée par les valeurs des poids sont inintelligibles pour
l'utilisateur
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.
Merci pour votre attention 
Question ?

Contenu connexe

Tendances

Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data MiningTakfarinas KENOUCHE
 
Perceptron monocouche en français
Perceptron monocouche en françaisPerceptron monocouche en français
Perceptron monocouche en françaisHakim Nasaoui
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning Niji
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Mohamed Heny SELMI
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigFelipe Sanchez Garzon
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profondsStany Mwamba
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningNcib Lotfi
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data miningDonia Hammami
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisionsMariem Chaaben
 
Chapitre 4-Apprentissage non supervisé (1) (1).pdf
Chapitre 4-Apprentissage non supervisé (1) (1).pdfChapitre 4-Apprentissage non supervisé (1) (1).pdf
Chapitre 4-Apprentissage non supervisé (1) (1).pdfZizoAziz
 
Intelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsIntelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsMohamed Heny SELMI
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...Amal Targhi
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheMohamed Heny SELMI
 
Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNSALMARACHIDI1
 
Ia project Apprentissage Automatique
Ia project Apprentissage AutomatiqueIa project Apprentissage Automatique
Ia project Apprentissage AutomatiqueNizar Bechir
 
Merise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigésMerise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigésMajid CHADAD
 

Tendances (20)

Deep learning
Deep learningDeep learning
Deep learning
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
 
Perceptron monocouche en français
Perceptron monocouche en françaisPerceptron monocouche en français
Perceptron monocouche en français
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine Learnig
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profonds
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
 
Machine-learning-FR.pdf
Machine-learning-FR.pdfMachine-learning-FR.pdf
Machine-learning-FR.pdf
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
 
Les arbres de décisions
Les arbres de décisionsLes arbres de décisions
Les arbres de décisions
 
Chapitre 4-Apprentissage non supervisé (1) (1).pdf
Chapitre 4-Apprentissage non supervisé (1) (1).pdfChapitre 4-Apprentissage non supervisé (1) (1).pdf
Chapitre 4-Apprentissage non supervisé (1) (1).pdf
 
Intelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsIntelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes experts
 
classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...classification des images couleurs par un réseau de neurone quaternionique ré...
classification des images couleurs par un réseau de neurone quaternionique ré...
 
Intelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de rechercheIntelligence Artificielle - Algorithmes de recherche
Intelligence Artificielle - Algorithmes de recherche
 
Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNN
 
Ia project Apprentissage Automatique
Ia project Apprentissage AutomatiqueIa project Apprentissage Automatique
Ia project Apprentissage Automatique
 
Deep learning
Deep learningDeep learning
Deep learning
 
Merise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigésMerise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigés
 

En vedette

L’intelligence artificielle
L’intelligence artificielleL’intelligence artificielle
L’intelligence artificielleiapassmed
 
Présentation intelligence artificielle et domaines dapplications
Présentation intelligence artificielle et domaines dapplicationsPrésentation intelligence artificielle et domaines dapplications
Présentation intelligence artificielle et domaines dapplicationsAdelphe Patrick Mveng
 
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...Saïd Bolgot
 
Manual do usuario sensor 110°
Manual do usuario   sensor 110°Manual do usuario   sensor 110°
Manual do usuario sensor 110°EcoHospedagem
 
Modélisation de la dynamique d’occupation du sol par réseaux de neurones
Modélisation de la dynamique d’occupation du sol par réseaux de neuronesModélisation de la dynamique d’occupation du sol par réseaux de neurones
Modélisation de la dynamique d’occupation du sol par réseaux de neuronestuxette
 
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...Mad Scientists
 
« Convolutional Deep Belief Networks »
« Convolutional Deep Belief Networks »« Convolutional Deep Belief Networks »
« Convolutional Deep Belief Networks » Loghin Dumitru
 
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...Andino Maseleno
 
Proposed smart traffic signal control in brunei darussalam
Proposed smart traffic signal control in brunei darussalamProposed smart traffic signal control in brunei darussalam
Proposed smart traffic signal control in brunei darussalamAndino Maseleno
 
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM)
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM) Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM)
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM) tuxette
 
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...tuxette
 
Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Antidot
 
Neuroscience enseignement - Apprendre par le jeu
Neuroscience enseignement - Apprendre par le jeuNeuroscience enseignement - Apprendre par le jeu
Neuroscience enseignement - Apprendre par le jeuAntoine Taly
 
IoT Toulouse : introduction à mqtt
IoT Toulouse : introduction à mqttIoT Toulouse : introduction à mqtt
IoT Toulouse : introduction à mqttJulien Vermillard
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleECAM Brussels Engineering School
 

En vedette (20)

Cours rn 2006
Cours rn 2006Cours rn 2006
Cours rn 2006
 
L’intelligence artificielle
L’intelligence artificielleL’intelligence artificielle
L’intelligence artificielle
 
Présentation intelligence artificielle et domaines dapplications
Présentation intelligence artificielle et domaines dapplicationsPrésentation intelligence artificielle et domaines dapplications
Présentation intelligence artificielle et domaines dapplications
 
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...
Réseaux de neurones, lissage de la fonction d'actualisation et prévision des ...
 
Manual do usuario sensor 110°
Manual do usuario   sensor 110°Manual do usuario   sensor 110°
Manual do usuario sensor 110°
 
Modélisation de la dynamique d’occupation du sol par réseaux de neurones
Modélisation de la dynamique d’occupation du sol par réseaux de neuronesModélisation de la dynamique d’occupation du sol par réseaux de neurones
Modélisation de la dynamique d’occupation du sol par réseaux de neurones
 
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...
Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hier...
 
« Convolutional Deep Belief Networks »
« Convolutional Deep Belief Networks »« Convolutional Deep Belief Networks »
« Convolutional Deep Belief Networks »
 
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...
Viva Presentation - Fuzzy Logic and Dempster-Shafer Theory to Detect The Risk...
 
Proposed smart traffic signal control in brunei darussalam
Proposed smart traffic signal control in brunei darussalamProposed smart traffic signal control in brunei darussalam
Proposed smart traffic signal control in brunei darussalam
 
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM)
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM) Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM)
Analyse de données fonctionnelles par Machines à Vecteurs de Support (SVM)
 
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...
Théorie de l’apprentissage et SVM : présentation rapide et premières idées da...
 
Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...Machine learning, deep learning et search : à quand ces innovations dans nos ...
Machine learning, deep learning et search : à quand ces innovations dans nos ...
 
Neuroscience enseignement - Apprendre par le jeu
Neuroscience enseignement - Apprendre par le jeuNeuroscience enseignement - Apprendre par le jeu
Neuroscience enseignement - Apprendre par le jeu
 
IoT Toulouse : introduction à mqtt
IoT Toulouse : introduction à mqttIoT Toulouse : introduction à mqtt
IoT Toulouse : introduction à mqtt
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
 
Support Vector Machine
Support Vector MachineSupport Vector Machine
Support Vector Machine
 
Lecture12 - SVM
Lecture12 - SVMLecture12 - SVM
Lecture12 - SVM
 
Support Vector machine
Support Vector machineSupport Vector machine
Support Vector machine
 

Similaire à Exposé réseaux des neurones (NN) - (RN)

Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningBassem Brayek
 
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfSafaeElOmari
 
Présentation_IA.pptx
Présentation_IA.pptxPrésentation_IA.pptx
Présentation_IA.pptxmelissa943854
 
Machine Learning : comparing neural network methods
Machine Learning : comparing neural network methodsMachine Learning : comparing neural network methods
Machine Learning : comparing neural network methodsNichochar
 
A 4 RNAs.pdf
A 4 RNAs.pdfA 4 RNAs.pdf
A 4 RNAs.pdfZizoAziz
 
Fondements du machine learning
Fondements du machine learningFondements du machine learning
Fondements du machine learningFrederic Simard
 
Conférence du 10 novembre 2O22 par Yvon Gervaise.pdf
Conférence du 10 novembre 2O22  par Yvon Gervaise.pdfConférence du 10 novembre 2O22  par Yvon Gervaise.pdf
Conférence du 10 novembre 2O22 par Yvon Gervaise.pdfYvon Gervaise
 
prsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfprsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfdrajou
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep LearningJedha Bootcamp
 
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Juba Ait idir
 
CHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfCHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfYvon Gervaise
 
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...ENSET, Université Hassan II Casablanca
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
 
Intelligence artificielle etroite introduction
Intelligence artificielle etroite introductionIntelligence artificielle etroite introduction
Intelligence artificielle etroite introductionSmals
 
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...ENSET, Université Hassan II Casablanca
 

Similaire à Exposé réseaux des neurones (NN) - (RN) (20)

Algorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learningAlgorithmes machine learning/ neural network / deep learning
Algorithmes machine learning/ neural network / deep learning
 
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdfTP_Réseaux_de_neurones_Safae_ElOmari.pdf
TP_Réseaux_de_neurones_Safae_ElOmari.pdf
 
Rc ia-benmammar
Rc ia-benmammarRc ia-benmammar
Rc ia-benmammar
 
Présentation_IA.pptx
Présentation_IA.pptxPrésentation_IA.pptx
Présentation_IA.pptx
 
Machine Learning : comparing neural network methods
Machine Learning : comparing neural network methodsMachine Learning : comparing neural network methods
Machine Learning : comparing neural network methods
 
A 4 RNAs.pdf
A 4 RNAs.pdfA 4 RNAs.pdf
A 4 RNAs.pdf
 
Fondements du machine learning
Fondements du machine learningFondements du machine learning
Fondements du machine learning
 
test
testtest
test
 
Conférence du 10 novembre 2O22 par Yvon Gervaise.pdf
Conférence du 10 novembre 2O22  par Yvon Gervaise.pdfConférence du 10 novembre 2O22  par Yvon Gervaise.pdf
Conférence du 10 novembre 2O22 par Yvon Gervaise.pdf
 
prsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfprsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdf
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep Learning
 
Delorme nis1998
Delorme nis1998Delorme nis1998
Delorme nis1998
 
Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1 Mise en oeuvre des framework de machines et deep learning v1
Mise en oeuvre des framework de machines et deep learning v1
 
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
 
CHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfCHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdf
 
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
Mise en oeuvre des Frameworks de Machines et Deep Learning pour les Applicati...
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence Artificielle
 
MobDHop
MobDHopMobDHop
MobDHop
 
Intelligence artificielle etroite introduction
Intelligence artificielle etroite introductionIntelligence artificielle etroite introduction
Intelligence artificielle etroite introduction
 
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...
Conférence: Catalyseurs de l'Intelligence Artificielle et Écosystème des Fram...
 

Plus de Soumia Elyakote HERMA

Memoire licence informatique application gestion personnel par herma - zita...
Memoire licence  informatique application gestion personnel  par herma - zita...Memoire licence  informatique application gestion personnel  par herma - zita...
Memoire licence informatique application gestion personnel par herma - zita...Soumia Elyakote HERMA
 
Analyse des Sentiments -cas twitter- "Opinion Detection with Machine Lerning "
Analyse des Sentiments  -cas twitter- "Opinion Detection with Machine Lerning "Analyse des Sentiments  -cas twitter- "Opinion Detection with Machine Lerning "
Analyse des Sentiments -cas twitter- "Opinion Detection with Machine Lerning "Soumia Elyakote HERMA
 
Analyse des sentiments cas twitter - univ ghardaia algerie
Analyse des sentiments  cas twitter - univ ghardaia algerieAnalyse des sentiments  cas twitter - univ ghardaia algerie
Analyse des sentiments cas twitter - univ ghardaia algerieSoumia Elyakote HERMA
 
Compte rendu : Le routage dynamique RIP V1
Compte rendu : Le routage dynamique RIP V1Compte rendu : Le routage dynamique RIP V1
Compte rendu : Le routage dynamique RIP V1Soumia Elyakote HERMA
 
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...L'impact des incriments des séquences de tri Shell. Expérimentation des séque...
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...Soumia Elyakote HERMA
 
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...Soumia Elyakote HERMA
 
Diapo fin d'étude bdd université ghardaia licence informatique
Diapo fin d'étude bdd université ghardaia  licence informatiqueDiapo fin d'étude bdd université ghardaia  licence informatique
Diapo fin d'étude bdd université ghardaia licence informatiqueSoumia Elyakote HERMA
 

Plus de Soumia Elyakote HERMA (7)

Memoire licence informatique application gestion personnel par herma - zita...
Memoire licence  informatique application gestion personnel  par herma - zita...Memoire licence  informatique application gestion personnel  par herma - zita...
Memoire licence informatique application gestion personnel par herma - zita...
 
Analyse des Sentiments -cas twitter- "Opinion Detection with Machine Lerning "
Analyse des Sentiments  -cas twitter- "Opinion Detection with Machine Lerning "Analyse des Sentiments  -cas twitter- "Opinion Detection with Machine Lerning "
Analyse des Sentiments -cas twitter- "Opinion Detection with Machine Lerning "
 
Analyse des sentiments cas twitter - univ ghardaia algerie
Analyse des sentiments  cas twitter - univ ghardaia algerieAnalyse des sentiments  cas twitter - univ ghardaia algerie
Analyse des sentiments cas twitter - univ ghardaia algerie
 
Compte rendu : Le routage dynamique RIP V1
Compte rendu : Le routage dynamique RIP V1Compte rendu : Le routage dynamique RIP V1
Compte rendu : Le routage dynamique RIP V1
 
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...L'impact des incriments des séquences de tri Shell. Expérimentation des séque...
L'impact des incriments des séquences de tri Shell. Expérimentation des séque...
 
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...
Expérimentation et interprétation des algorithmes de tri élémentaires tp algo...
 
Diapo fin d'étude bdd université ghardaia licence informatique
Diapo fin d'étude bdd université ghardaia  licence informatiqueDiapo fin d'étude bdd université ghardaia  licence informatique
Diapo fin d'étude bdd université ghardaia licence informatique
 

Exposé réseaux des neurones (NN) - (RN)

  • 1. Qu’est ce que vous voyez ?
  • 2. Université de Ghardaïa Faculté des Sciences et Technologie Département des Mathématiques et Informatique Spécialité : Master 2 SIEC PAR : o Soumia Elyakote HERMA o Khadidja SAIFIA DIRIGÉ PAR : o M. OULEDMAHREZ Abdelkader
  • 3. PLAN  Introduction aux réseaux de neurones (RNs)  Historique aux (RNs)  Définitions (RNs)  Neurones biologie  Réseau de neurone artificiel  Configurations de (RNs)  Architecture de (RNs)  Fonctionnement de (RNs)  Les fonctions de combinaison  Les fonctions de transfert  Apprentissage et classement  Algorithmes d’apprentissage  conclusion
  • 4. L’objectif des chercheurs était de construire une machine capable de reproduire certains aspects de l’intelligence humaine. INTRODUCTION Comment faitent-ils pour raisonner, parler, calculer, apprendre, ...? Comment s'y prendre pour créer une ou de l'intelligence artificielle ?
  • 5. HISTORIQUE • 1943: J. MCCULLOCH & W. PITTS proposent un modèle simple de neurone capable de produire une machine de Turing. • 1948: D. HEBB propose une règle d'apprentissage pour des réseaux de neurones . • 1958: F. ROSENBLATT propose le modèle du Perceptron et démontre son théorème de convergence. • 1969: M. MINSKY & S. PAPERT démontrent les limitations du modèle du Perceptron. • 1985: APPRENTISSAGE PAR RÉTRO-PROPAGATION POUR LES RÉSEAUX MULTI-COUCHES.
  • 6. RÉSEAUX DE NEURONES BIOLOGIQUE Un neurone est une cellule capable de transmettre des informations à d’autres neurones au travers de ses différentes connexions (synapses). Ils se décomposent en trois régions principales : • Le corps cellulaire • Les dendrites • L’axone
  • 7. FONCTIONNEMENT DES NEURONES Les neurones reçoivent des signaux (impulsions électriques) par les dendrites et envoient l ’information par les axones. Les contacts entre deux neurones (entre axone et dendrite) se font par l ’intermédiaire des synapses.
  • 8. LES RÉSEAUX DE NEURONES ARTIFICIELS(RNS) 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 DÉFINITION • Un réseau de neurones est un outil d’analyse permettant de construire un modèle à partir de données, d’exemples. • En informatique, on appelle réseau de neurones un ensemble d’entrés (les neurones) interconnectées. Dans la majorité des cas, les neurones sont des fonctions calcules par un programme informatique, mais ils sont parfois réalisés sur des circuits électronique.
  • 9. * LES ÉLÉMENTS DE NEURONE ARTIFICIEL (LE MODEL FORMEL) • 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.
  • 10. COMPARUTION Analogie biologie-artificiel Biological Neuron Artificial Neuron corps cellulaire neurone Dendrites inputs Axone output Synaps poids
  • 11. APPRENTISSAGE ET CLASSEMENT Pour un RNA, l'apprentissage peut être considéré comme le problème de la mise à jour des poids des connexions au sein du réseau, afin de réussir la tâche qui lui est demandée. L'apprentissage est la caractéristique principale des RNA et il peut se faire de différentes manières et selon différentes règles. On distingue les types d’apprentissage :
  • 12. SUPERVISÉ : Dans ce type d'apprentissage, le réseau s'adapte par comparaison entre le résultat qu'il a calculé, en fonction des entrées fournies, et la réponse attendue en sortie. Ainsi, le réseau va se modifier jusqu'a ce qu'il trouve la bonne sortie, c'est-à-dire celle attendue, correspondant à une entrée donnée. LE RENFORCEMENT : Le renforcement est en fait une sorte d'apprentissage supervisé et certains auteurs le classe d'ailleurs, dans la catégorie des modes supervisés. Dans cette approche le réseau doit apprendre la corrélation entrée/sortie via une estimation de son erreur, c'est-à-dire du rapport échec/succés. Le réseau va donc tendre à maximiser un index de performance qui lui est fourni, appelé signal de renforcement. Le système étant capable ici, de savoir si la réponse qu'il fournit est correcte ou non, mais il ne connait pas la bonne réponse.
  • 13. HYBRIDE : LE MODE HYBRIDE REPREND EN FAIT LES DEUX AUTRES APPROCHES, PUISQUE UNE PARTIE DES POIDS VA ÊTRE DÉTERMINÉE PAR APPRENTISSAGE SUPERVISÉ ET L'AUTRE PARTIE PAR APPRENTISSAGE NON-SUPERVISÉ. NON-SUPERVISÉ (OU AUTO-ORGANISATIONNEL) : Dans ce cas, l'apprentissage est basé sur des probabilités. Le réseau va se modifier en fonction des régularités statistiques de l'entrée et établir des catégories, en attribuant et en optimisant une valeur de qualité, aux catégories reconnues.
  • 14. CONFIGURATIONS DES RNS - 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.
  • 15. ARCHITECTURE DES RNS  Les réseaux non bouclés :(feedforward).  Réseaux bouclés : feedback network ou récurrent Network
  • 16. LES FONCTIONS DE COMBINAISON 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
  • 17. LES FONCTIONS DE TRANSFERT
  • 18. ALGORITHMES D’APPRENTISSAGE ALGORITHME D’APPRENTISSAGE DU PERCEPTRON  Le perceptron est un modèle de réseau de neurones avec algorithme d'apprentissage créé par Frank Rosenblatt. 1. Initialisation des poids et du seuil à de petites valeurs aléatoires 2. Présenter un vecteur d’entrées x(μ) et calculer sa sortie 3. Mettre à jour les poids en utilisant :  wj(t+1) = wj(t) + η (d- y) xj  avec d la sortie désirée, w vecteur des poids η est une constante positive ,qui spécifie le pas de modification des poids
  • 19. ALGORITHMES D’APPRENTISSAGE ALGORITHMES D’APPRENTISSAGE PAR CORRECTION D’ERREUR  Initialiser la matrice des poids au hasard  Choisir un exemple en entrée  Propager le calcul de cette entrée à travers le réseau  Calculer la sortie de cette entrée  Mesurer l'erreur de prédiction par différence entre sortie réelle et sortie prévue  Calculer la contribution d'un neurone à l'erreur à partir de la sortie  Déterminer le signe de modification du poids  Corriger les poids des neurones pour diminuer l'erreur  Le processus recommence ainsi, à partir du choix de l'exemple en entrée, jusqu'à ce qu'un taux d'erreur minimal soit atteint.
  • 20.  il s'agit de calculer une erreur et d'essayer de minimiser cette erreur. ALGORITHMES D’APPRENTISSAGE ALGORITHMES D’APPRENTISSAGE PAR DESCENTE DE GRADIENT
  • 21.  L'algorithme de Widrow-Hoff est très souvent utilisé en pratique et donne de bons résultats. La convergence est, en général, plus rapide que par la méthode du gradient. Il est fréquent pour cet algorithme de faire diminuer la valeur de e en fonction du nombre d'itérations comme pour l'algorithme du gradient. ALGORITHMES D’APPRENTISSAGE ALGORITHMES D’APPRENTISSAGE WIDROW-HOFF (OU ADALINE)
  • 22. DOMAINE D’APPLICATION  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
  • 23. AVANTAGES ET INCONVÉNIENTS AVANTAGES DES RNS  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
  • 24. AVANTAGES ET INCONVÉNIENTS INCONVÉNIENTS DES RNS  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).  Le 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).  La connaissance acquise par un réseau de neurone est codée par les valeurs des poids sont inintelligibles pour l'utilisateur
  • 25. 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.
  • 26. Merci pour votre attention  Question ?