Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Réseaux de neurones

No description
by

guesmia sara

on 5 January 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Réseaux de neurones

Les neurones sont considérés comme le support physique de l’intelligence. Ils fascinent puisque comprendre et savoir utiliser l’intelligence permet de réaliser des buts inimaginables.
Depuis quelques années, on cherche à copier les réseaux de neurones pour faire des lois de commande intelligentes.


Dés 1943, Mac Culloch et Pitts ont proposé des neurones formels mimant les neurones biologiques et capables de mémoriser des fonctions booléennes simples.
Les réseaux de neurones artificiels réalisés à partir de ces types de neurones sont ainsi inspirés du système nerveux. Ils sont conçus pour reproduire certaines caractéristiques des mémoires biologiques par le fait qu’ils sont :
Capable d’apprendre ;
Capable de mémoriser l’information dans les connexions entre les neurones ;
Capable de traiter des informations incomplètes.


Introduction
Le neurone formel

: exemple avec 3 entrées


Un neurone est une cellule qui concentre des signaux,
qui les traite et qui les traduit en une réponse


En 1949, Hebb a mis en évidence l’importance du couplage synaptique dans l’apprentissage par renforcement ou dégénérescence des liaisons inter-neuronales lors de l’interaction du cerveau avec le milieu extérieur.
Le premier modèle opérationnel est le Perceptron inspiré du modèle visuel et capable d’apprentissage. Il a été proposé en 1958 par Rosenblatt.
Les limites du perceptron monocouche du point de vue performance ont été montrées en 1969 par les mathématiciens Minsky et Papert.
Les travaux de Hopfield en 1982 ont montrés que des réseaux de neurones artificiels étaient capables de résoudre des problèmes d’optimisation et ceux de Kohonen(1982) ont montrés qu’ils étaient capables de résoudre des taches de classification et de reconnaissance.

Aujourd’hui , les réseaux de neurones artificiels ont de nombreuses applications dans des secteurs très variés :
Traitement d’images
: reconnaissance de caractèree et de signatures, compression d’images,reconnaissance de forme… ;
Traitement du signal
: filtrage,traitement de paroles … ;
Contrôle

: diagnostic, commande de processus, asservissement de robots… ;
Optimisation
:planification, allocation de ressource, gestion et finances… ;
Simulation
: prévision météorologique, simulation de boite noir…etc


Règles d'apprentissage

calcul de la sortie du neurone:
Modèles de neurones
Réseaux de neurones
Les réseaux de neurones artificiels
L'apprentissage
Il s’agit de tirer des généralisations plausibles par des observations limitées.
La notion d’apprentissage recouvre 2 réalités :
La mémorisation

: le fait d’assimiler sous une forme dense des exemples éventuellement nombreux.
La généralisation

: le fait d’être capable, grâce aux exemples appris, de traiter des exemples distincts, encore non rencontrés, mais similaires.


Présenté par:
* GUESMIA Khadidja
* BOUBEKEUR Youcef

Proposé par:
Prof DECHMI Nouredine

Plan
 Introduction
 Modèles de neurones
 Architecture des réseaux
 L’apprentissage
 L’algorithme de Levenberg-Marquardt
 Modèle de Kohonen

Eléments historiques:
Du neurone biologique au neurone formel
Neurone biologique
Neurone formel
correction des poids synaptiques:

On distingue 2 types de neurone formel :
1. Le Perceptron
:
de F.Rosenblatt (1958) et la règle de D.Hebb (1949
Le neurone formel
2. L'Adaline:
d e B.Windrow et T.Hoff (1960) (ADAptive LINear Element)
On peut utiliser 2 règles
Pour traiter plusieurs sorties, on utilise plusieurs Perceptron (res : Adaline) en parallèle, on parle alors de réseau monocouches. (res : MAdaline : multi-Adaline).
Que ce soit le Perceptron ou l’Adaline, ces 2 modèles sont toujours actuellement utilisés. Ils sont la base de tous réseaux de neurones artificiels dans le domaine de l’intelligence artificielle.
Les réseaux de neurones artificielles c’est un assemblage des neurones formels dans l’objectif de multiplier leurs capacités d’apprentissage.
Architecteurs des réseaux
L’architecteur d’un réseau de neurones est l’organisation des neurones entre eux au sein d’un même réseau. Autrement dit, il s’agit de la façon dont ils sont ordonnés et connectés.
L’architecteur d’un réseau dépend de la tâche à apprendre (problème à résoudre)
Quelques structures
Les réseaux "Feed-forward

: Ce sont des réseaux dans les quels l'information se propage de couche en couche sans retour en arrière possible.
Les réseaux ‘Feed back’

: Ce sont des réseaux dans les quels l'information se propage de couche en couche avec retour en arrière possible.

L’apprentissage, c’est le processus (de calculs) qui permet de mettre à jour les poids des neurones à partir d’une ou plusieurs mesures.
Types d'apprentissage:
Il existe plusieurs types d’apprentissage, les principaux sont :
Apprentissage
supervisé
: les exemples sont des couples (entrée, sortie associée).
Apprentissage
non supervisé
: on dispose que des valeurs (entrée).
Apprentissage
par renforcement.
Pour ces trois types d'apprentissage, il y a également un choix traditionnel entre :
L’apprentissage << batch >> (en paquet)
L’apprentissage << on-line >>
Il existe d’autre types d’apprentissage comme :
o Sur-apprentissage ("apprentissage par-coeur") .
o Le mode hybride.
o Apprentissage "local" .
o Apprentissage "global" .
o Validation croise ("Cross Validation") .
Il existe différents modèles de réseaux de neurones artificiels. Les principaux, le perceptron multi couches(
PCM
), le réseau à fonction radiale de base (
RBF
: Radial Basis Function) et le réseau de
Kohonen
. Plus récent, les réseaux par estimation de densité de Speckt (1990).
L’apprentissage au sein des différentes architectures dépend de l’architecteur du réseau et de l’environnement du problème
Les 2 règles d’apprentissage pour mettre corriger les poids d’un neurone (règle de Hebb et de Widrow) ne concernent qu’un neurone seul.
Chaque architecteur possède ses spécificités et nécessite une règle d’adaptation des poids qui lui est propre
Full transcript