Ce document présente un cours sur les réseaux de neurones, incluant leur historique, leur fonctionnement basé sur le cerveau et leurs applications. Il aborde les principes fondamentaux tels que la structure des neurones, les fonctions d'activation, l'apprentissage et les perceptrons. Enfin, il détaille les domaines d'application des réseaux de neurones comme l'identification, la classification et les systèmes experts.

1. Le réseau de neurones Professeur: Bui Quang Anh L’universitaire imaginaire de l’IFI

2. Le but du cours La connaissance principale du réseau de neurones Les domaines d’application Les étudiants peuvent construire des applications simples

3. Sommaire L’histoire La connaissance de base du cerveau Les principes du réseau de neurones Les domaines d’application

4. L’histoire En 1929, la mesure de l’activité d’un cerveau a commencé En 1951, le premier ordinateur à réseau de neurones En 1986, le perceptron multi-couche et l’algorithm “Backpropagation” apparait

5. La connaissance de base du cerveau Le réseau de neurones est modelé sur le système biologique Il simule le procédé du cerveau

6. La connaissance de base du cerveau Dans le cerveau, il y a beaucoup de neurones Les neurones se connectent par les synapes Il y a des signaux qui sont transmis dans les neurones

7. La structure d’une neurone

8. Les dendrites Ils se présentent sous forme d'arborisations fines et courtes Le nombre des dendrites varie selon chaque type de cellule

9. L’axone L'axone se présente sous forme d'une tige allongée, de surface lisse, de calibre invariable Il y a un seul axone par cellule nerveuse L’intensité du signaul dépend au longeur de l’axone

10. Le potentiel d'action Dans le noyau, le pontentiel de repos est -70mV Le potentiel évalué sont produises aux dendrites Si le total d’intensité de signaux est augmenté ~15mV (le pontentiel est de –70mV -> -55mV), la neurone “brulera”

11. Les principes du réseau de neurones Le réseau de neurones simule le système de neurones biologiques

12. Les principes du réseau de neurones Les couches de neurones Les neurones d’une couche se connectent aux neurones d’autre couche par les synapes Chaque synape a un poids lourd

13. Les principes du réseau de neurones L’intensité du signal qui est transmis dans le synape est multiplié par le poids lourd La fonction d’activation

14. Quelques types de fonction d’activation

15. L’apprentisage Un ensemble d’exemples On va changer les poids lourds si le résultat n’est pas vrai La fonction d’erreur et le taux d’apprentisage: comment on va changer les poids lourds

16. Le perceptrons On l’utilise pour le classifieur linéaire

17. Le classifieur linéaire? Qu’est-ce que c’est

18. Un exemple Il y a deux type d’objects que l’on doit classifier

19. Un exemple Voici la structure du perceptrons pour ce problème

20. Un exemple t: le rendement de cible de cette formation o: le seuil  : le taux d’apprentisage (la constante positive) w i  w i +  w i  w i   (t – o)x i

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. Les domaines d’application L’identification La classification Les systèmes experts

23. La fin Merci d’avoir suivi ma présentation