SlideShare une entreprise Scribd logo
1  sur  19
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'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
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
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.
Comparaison
 Analogy: Biologique-Artificiel
Biological Neuron Artificial Neuron
corps cellulaire neurone
Dendrites inputs
Axone output
Synaps poids
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
• 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)
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.
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 :
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 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 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 :
•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 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
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
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

Contenu connexe

Tendances

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
 
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
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning Niji
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep LearningJedha Bootcamp
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMJaouad Dabounou
 
Intelligence artificielle etroite introduction
Intelligence artificielle etroite introductionIntelligence artificielle etroite introduction
Intelligence artificielle etroite introductionSmals
 
Perceptron monocouche en français
Perceptron monocouche en françaisPerceptron monocouche en français
Perceptron monocouche en françaisHakim Nasaoui
 
l'Intelligence Artificielle Jean-Antoine Moreau
l'Intelligence Artificielle Jean-Antoine Moreaul'Intelligence Artificielle Jean-Antoine Moreau
l'Intelligence Artificielle Jean-Antoine MoreauJean-Antoine Moreau
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Technologia Formation
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigFelipe Sanchez Garzon
 
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
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018Conférence Sécurité et Intelligence Artificielle - INHESJ 2018
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018OPcyberland
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profondsStany Mwamba
 
Intelligence artificielle et système multi-agent
Intelligence artificielle et système multi-agentIntelligence artificielle et système multi-agent
Intelligence artificielle et système multi-agentNoureddine Djebbari
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Hajar Bouchriha
 

Tendances (20)

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...
 
Cours rn 2006
Cours rn 2006Cours rn 2006
Cours rn 2006
 
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
 
Réseaux neurons
Réseaux neuronsRéseaux neurons
Réseaux neurons
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Les applications du Deep Learning
Les applications du Deep LearningLes applications du Deep Learning
Les applications du Deep Learning
 
Deep learning
Deep learningDeep learning
Deep learning
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
 
Intelligence artificielle etroite introduction
Intelligence artificielle etroite introductionIntelligence artificielle etroite introduction
Intelligence artificielle etroite introduction
 
Perceptron monocouche en français
Perceptron monocouche en françaisPerceptron monocouche en français
Perceptron monocouche en français
 
l'Intelligence Artificielle Jean-Antoine Moreau
l'Intelligence Artificielle Jean-Antoine Moreaul'Intelligence Artificielle Jean-Antoine Moreau
l'Intelligence Artificielle Jean-Antoine Moreau
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]
 
AI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine LearnigAI Apprentissage Automatique, Machine Learnig
AI Apprentissage Automatique, Machine Learnig
 
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
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018Conférence Sécurité et Intelligence Artificielle - INHESJ 2018
Conférence Sécurité et Intelligence Artificielle - INHESJ 2018
 
Les reseaux profonds
Les reseaux profondsLes reseaux profonds
Les reseaux profonds
 
Intelligence artificielle et système multi-agent
Intelligence artificielle et système multi-agentIntelligence artificielle et système multi-agent
Intelligence artificielle et système multi-agent
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
 

En vedette (8)

La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
 
Opinion Mining
Opinion Mining Opinion Mining
Opinion Mining
 
La détection des spam
La détection des spamLa détection des spam
La détection des spam
 
Data Mining
Data MiningData Mining
Data Mining
 
Opinion Mining
Opinion MiningOpinion Mining
Opinion Mining
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
 
Web sémantique
Web sémantique Web sémantique
Web sémantique
 
Introduction à Hadoop
Introduction à HadoopIntroduction à Hadoop
Introduction à Hadoop
 

Similaire à Réseaux de neurones

prsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfprsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfdrajou
 
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
 
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
 
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
 
coursHPM-M2-RIA-nov05.ppt
coursHPM-M2-RIA-nov05.pptcoursHPM-M2-RIA-nov05.ppt
coursHPM-M2-RIA-nov05.pptAyaDrief
 
réseaux de neurons temporels dynqmique et apprentissage
réseaux de neurons temporels dynqmique et apprentissageréseaux de neurons temporels dynqmique et apprentissage
réseaux de neurons temporels dynqmique et apprentissagebillalbeldjenna
 
A 4 RNAs.pdf
A 4 RNAs.pdfA 4 RNAs.pdf
A 4 RNAs.pdfZizoAziz
 
CHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfCHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfYvon Gervaise
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleYanis Marchand
 
Recursive Neural Network summary
Recursive Neural Network summaryRecursive Neural Network summary
Recursive Neural Network summaryStephen Larroque
 
TPE 2005 - Intelligence artificielle
TPE 2005 - Intelligence artificielleTPE 2005 - Intelligence artificielle
TPE 2005 - Intelligence artificielleSebastien Warin
 
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-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
Forum Labo Version DEF par Yvon Gervaise.pdf
Forum Labo Version DEF par Yvon Gervaise.pdfForum Labo Version DEF par Yvon Gervaise.pdf
Forum Labo Version DEF par Yvon Gervaise.pdfYvon Gervaise
 
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...Nancy BOVY
 
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024YvonGervaise
 
L'Intelligence Artificielle I.A. au service des Laboratoires
L'Intelligence Artificielle I.A. au service des LaboratoiresL'Intelligence Artificielle I.A. au service des Laboratoires
L'Intelligence Artificielle I.A. au service des LaboratoiresYvon Gervaise
 

Similaire à Réseaux de neurones (20)

prsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdfprsentationrn-151107223049-lva1-app6891.pdf
prsentationrn-151107223049-lva1-app6891.pdf
 
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...
 
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
 
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
 
coursHPM-M2-RIA-nov05.ppt
coursHPM-M2-RIA-nov05.pptcoursHPM-M2-RIA-nov05.ppt
coursHPM-M2-RIA-nov05.ppt
 
réseaux de neurons temporels dynqmique et apprentissage
réseaux de neurons temporels dynqmique et apprentissageréseaux de neurons temporels dynqmique et apprentissage
réseaux de neurons temporels dynqmique et apprentissage
 
A 4 RNAs.pdf
A 4 RNAs.pdfA 4 RNAs.pdf
A 4 RNAs.pdf
 
CHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdfCHimie & Inteligence Artificielle cours YG.pdf
CHimie & Inteligence Artificielle cours YG.pdf
 
Delorme nis1998
Delorme nis1998Delorme nis1998
Delorme nis1998
 
Rapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence ArtificielleRapport projet Master 2 - Intelligence Artificielle
Rapport projet Master 2 - Intelligence Artificielle
 
Recursive Neural Network summary
Recursive Neural Network summaryRecursive Neural Network summary
Recursive Neural Network summary
 
TPE 2005 - Intelligence artificielle
TPE 2005 - Intelligence artificielleTPE 2005 - Intelligence artificielle
TPE 2005 - Intelligence artificielle
 
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-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
Forum Labo Version DEF par Yvon Gervaise.pdf
Forum Labo Version DEF par Yvon Gervaise.pdfForum Labo Version DEF par Yvon Gervaise.pdf
Forum Labo Version DEF par Yvon Gervaise.pdf
 
Rc ia-benmammar
Rc ia-benmammarRc ia-benmammar
Rc ia-benmammar
 
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...
Intelligence artificielle et bio-inspiration : s’adapter aux contextes change...
 
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024
L'IA au service des Laboratoire - Conference donnée a Paris le 6 Février 2024
 
L'Intelligence Artificielle I.A. au service des Laboratoires
L'Intelligence Artificielle I.A. au service des LaboratoiresL'Intelligence Artificielle I.A. au service des Laboratoires
L'Intelligence Artificielle I.A. au service des Laboratoires
 
Neuro sciences
Neuro sciencesNeuro sciences
Neuro sciences
 

Réseaux de neurones

  • 1. Réseaux de neurones (neural computing) Université Djillali Liabbes de Sidi Bel Abbes Département d’informatique
  • 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. 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. 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. Comparaison  Analogy: Biologique-Artificiel Biological Neuron Artificial Neuron corps cellulaire neurone Dendrites inputs Axone output Synaps poids
  • 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. • 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. 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. 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. S = f(p) SEUIL +1 -1 p Fonction de transfert dérivable (sigmoïde) : Les éléments de neurone artificiel (model formel)
  • 11. S = f(p) SEUIL +1 -1 p Les éléments de neurone artificiel (model formel) Fonction de transfert linéaire par morceaux :
  • 12. S = f(p) SEUIL +1 -1 p Fonction de transfert en échelon : Les éléments de neurone artificiel (model formel)
  • 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. Architecture des NNs  Les réseaux non bouclés :(feedforward).  Réseaux bouclés : feedback network ou récurrent Network
  • 15.
  • 16. 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
  • 17. 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
  • 18. 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
  • 19. 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