Analogie neurone biologique et neurone formel 26992

Extrait / Introduction

Extrait / Introduction :

Les réseaux de neurones sont composés d’éléments simples (ou neurones) fonctionnant en parallèle. Ces éléments ont été fortement inspirés par le système nerveux biologique. Comme dans la nature, le fonctionnement du réseau (de neurone) est fortement influencé par la connections des éléments entre eux. On peut entraîner un réseau de neurone pour une tâche spécifique (reconnaissance de caractères par exemple) en ajustant les valeurs des connections (ou poids) entre les éléments (neurone). En général, l’apprentissage des réseaux de neurones est effectué de sorte que pour une entrée particulière présentée au réseau corresponde une cible spécifique. L’ajustement des poids se fait par comparaison entre la réponse du réseau (ou sortie) et la cible, jusqu’à ce que la sortie corresponde (au mieux ?) à la cible. On utilise pour ce type d’apprentissage dit supervisé un nombre conséquent de pair entrée/sortie.

Plan

Plan :

1- Introduction - Historique - Utilité - Analogie neurone formel et neurone biologique - Exemple de réseaux de neurones - Applications 2. Caractéristiques des réseaux de neurones artificiels 2.1. Poids (w) et biais (b) d’un neurone 2.2. La fonction de sommation 2.3. La fonction de transfert 2.4. Réseaux statiques (Apprentissage par « paquet ») et Réseaux dynamiques (Apprentissage « séquentiel » 3. Les différents types de réseaux de neurones et leurs applications 3.1. Le perceptron 3.1.1. Description 3.1.2. Loi d’apprentissage du perceptron 3.2. Les réseaux (filtres) linéaires 3.2.1. Description 3.2.2. Algorithme d’apprentissage (LMS ou Windrow-Hoff algorithme 3.3. Le perceptron multicouche 3.3.1. Description 3.3.2. La rétro propagation ou algorithme d’apprentissage de « Backpropagation 3.3.3. Amélioration de la généralisation (ou le dilemme biais/variance 3.3.4. Applications 3.4. Les réseaux de neurones à fonctions radiales de base (Radial Basis Network3.4.1. Description 3.4.2. Les réseaux de neurones à régression généralisée (Generalized Regression Networks 3.4.3. Les réseaux de neurones probabilistes (Probabilistic Neural Networks 3.5. Les réseaux de neurones compétitifs ou cartes auto organisatrices 3.5.1. Réseaux de neurone compétitif ou réseaux de Kohonen (loi d’apprentissage de Kohonen 3.5.2. Les cartes auto organisatrices 3.5.3. Les LVQ réseaux de neurones 3.6. Les réseaux récurents 3.6.1. Réseaux de Elman 3.6.2. Réseaux de Hopfield 4- Conclusion - Références

Signaler un abus