présentation générale des réseaux de neurones artificiels

1. 1

2. LES RÉSEAUX DE
NEURONES
par Oussama WERFELLI
2

3. PLAN
Introduction
Historique
Les réseaux de neurones
Quelques modèles & exemples
Conclusion
3

4. INTRODUCTION
L’objectif était de simuler l’intelligence humaine
Modéliser mathématiquement le cerveau
Afin de reproduire certaines caractéristiques
 Capacité de mémoire
 Capacité d’apprentissage
 Capacité de traiter les informations incomplètes
4

5. HISTORIQUE
Warren McCulloch et Walter Pitts (1943): les premiers neurones
formels
Rosenblatt (1958): modèle avec processus d ’apprentissage,
perceptron
Rumelhart (1980): perceptron multicouches
Mais ce n'est que depuis le début des années 1990 que les
applications intéressantes des réseaux de neurones ont vu le jour
5

6. LES RÉSEAUX DE NEURONES
6

7. NEURONE BIOLOGIQUE & FORMEL
7
synapse
Noyau
Axone
Dendrites
f(..)
poids
entrées
Fonction de
transfert
Sortie
w
x

8. DÉFINITIONS
Un neurone formel : Est une fonction algébrique non linéaire et
bornée, dont la valeur dépend de paramètres appelés coefficients
synaptique ou poids
Poids : Est une valeur numérique associé à une connexion entre deux
unités qui reflète la force de la relation entre ces deux unités.
Apprentissage d’un réseau : les caractéristiques (poids) du réseau
sont modifiées jusqu’à ce que le comportement désiré soit obtenu.
8

9. NEURONE
9
x1
x2
x3
w1
w2
w3
Fonction de combinaison
Z=x1.w1+x2.w2+x3.w3
Fonction d’activation
f(Z)
Avec Seuil
θ
Coefficient synaptique
O
Activation
Entrées ∑ φ
• en dessous du seuil,
le neurone est non-actif
• aux alentours du seuil,
une phase de transition
• au-dessus du seuil,
le neurone est actif

10. DÉFINITIONS
Un réseau de neurones artificielle
: est un circuit composé d'un
nombre très important d'unités
de calcul simples basées sur des
neurones formels .
’Albert Negrin,1993, Cambridge’
10

11. CLASSIFICATION DES RÉSEAU DE
NEURONES
11

12. QUELQUES MODÈLES & EXEMPLES
12

13. MLP(MULTI-LAYER PERCEPTRON)
Le nombre de couches
cachées et le nombre
de neurones par
couche ont une
influence sur la qualité
de l’apprentissage.
13
Couche d’entrer
Couche de sortie
Couche cachée

14. MLP : EXEMPLE
14
https://www.youtube.com/watch?v=Iv_Fy6Urik4

15. MLP : EXEMPLE (SUITE)
15

16. HOPFIELD
16
x1
x4
x5x2
x3
x6

17. HOPFIELD : EXEMPLE
17
https://www.youtube.com/watch?v=SL8vSUoeWjU

18. HOPFIELD : EXEMPLE
18
https://www.youtube.com/watch?v=69ysnJfMX2k

19. YOUTUBE UTILISE LES RÉSEAUX
DE NEURONES
19

20. SWIFTKEY NEURAL
20

21. CONCLUSION
Les réseaux de neurones sont utilisés dans plusieurs domaine
notamment :
 Datamining : ils servent à prédire, à identifier et à classifier les données
 Finance et gestion : outil d'aide à la décision
 Robotique : apprentissage de robot autonome
 Etc…
Les réseaux de neurones sont puissant : on peut presque toujours
baisser l’erreur en augmentant le nombre de neurones
Les solution actuels sont coûteuses en temps de calcule
21

22. MERCI POUR VOTRE ATTENTION
22