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
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
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
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
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