Université Sidi Mohammed Ben Abdellah
Faculté des Sciences Dhar El Mahraz – Fès
Intelligence artificielle
Réseaux de Neurones
Artificiels (1)
Pr. EL BOURAKADI Dounia
Email: [Link]@[Link] Année universitaire 2023/2024
Plan
1. Introduction générale.
2. Apprentissage automatique et ses types.
3. Réseaux de neurones artificiels :
• Perceptron monocouche;
• Perceptron multi-couches.
4. Algorithmes d’apprentissage automatique:
• Back-propagation;
• Self-Organization Map;
• Extreme-Learning Machine.
Introduction
Questions :
• Comment on peut classifier un objet à partir des images?
• Comment cibler un objet en mouvement?
• Comment analyser les gens et lire les émotions et les
expressions du visage ?
•…
Introduction
Définition de l’Intelligence Humaine:
L'intelligence désigne communément le potentiel des capacités mentales et
cognitives d'un individu, animal ou humain, lui permettant de résoudre un problème
ou de s'adapter à son environnement.
Définition de l’Intelligence Artificielle (IA):
• IA (selon wikipédia): est l'ensemble des théories et des techniques mises en
œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine.
• IA est la construction de programmes informatiques qui s’adonnent à des tâches
qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres
humains car elles demandent des processus mentaux de haut niveau tels que :
l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement
critique.
Introduction
Pourquoi l’intelligence artificielle?
IA permet de:
Réduire les Augmenter la Atteindre une
grande
fautes et les productivité Optimiser le
précision même
erreurs et l'efficacité dans l’usage temps
humaines opérationnelle difficile
L’IA est présente dans plusieurs et différents secteurs:
✓ L’industrie : assistants virtuels, maintenance prédictive… ,
✓ La santé : diagnostics, détection des tumeurs… ,
✓ Le transport : véhicules autonome, détection du plus court chemin…,
✓ L’agriculture : classification des plantes, prévention des maladies … ,
✓ …
Introduction
Branches de l’IA:
➢ L’apprentissage automatique : Machine learning,
➢ L’apprentissage profond: Deep learning,
➢ La robotique,
➢ La logique floue,
➢ Les systèmes experts ….
L’apprentissage automatique
Apprentissage Naturel (Humain):
Dès sa naissance, l’enfant apprend:
• La voix de sa mère
• Marcher
• Mâcher
• lire
• Conduire
• …
Apprentissage Automatique ou Artificiel (selon wikipédia):
« C’est un champ d'étude de l’IA qui se fonde sur des approches mathématiques
et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir
de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches
sans être explicitement programmés pour chacune. »
L’apprentissage automatique
Domaines d’application:
• Diagnostic médical à partir de la description clinique d'un
patient.
• Détection et traitement des tumeurs.
• Moteur de recherche.
• Reconnaissance de l'écriture manuscrite.
• Reconnaissance de visages, des émotions …
• Prévisions météorologiques (température, vitesse de vent…)
•…
L’apprentissage automatique
Données d’apprentissage:
Apprentissage Automatique est un champ d'étude de l’IA qui se fonde sur des
approches mathématiques et statistiques pour donner aux ordinateurs la capacité
d'« apprendre » à partir de données…
A partir des données d’entrées, on fait l’apprentissage afin de trouver les données
de sortie qui sont la solution au problème qu’on veut résoudre.
Apprentissage
Données Résultat
automatique
Entrée Sortie
L’apprentissage automatique
Exemple des données d’apprentissage:
• Prévision des données météorologique: Température
• Données d’entrée: observations passées de la température, de
l’instant t-n jusqu’à l’instant t
• Données de sortie: Température à l’instant t+1
Entrées: T(t-n) ,…, T(t) Apprentissage Sortie: T(t+1)
automatique
L’apprentissage automatique
Types d’apprentissage automatique
Apprentissage Apprentissage Apprentissage
supervisé: non supervisé: par
Données avec Données sans renforcement:
sorties connues sorties connues Par expérience
Classification: classer des
objets dans des classes à Clustering:
partir des données étiquetées. regrouper des données
Type de Classification/
Régression: estimer une non étiquetées
problème Control
valeur (numérique) de sortie présentant des
à partir des données propriétés similaires..
étiquetées.
L’apprentissage automatique
Phases d’apprentissage supervisé:
Phase
d’apprentissage
Modèle Classification/ Phase
appris
de test
régression
Les réseaux de neurones
Comment appliquer l’apprentissage automatique sur machine ?
Réseaux de Neurone Artificiel :
Construire un modèle approprié
Les réseaux de neurones
Neurone biologique naturel:
• Le neurone est l’unité de travail de base du cerveau.
• C’est une cellule spécialisée conçue pour transmettre l’information à d’autres
cellules nerveuses.
• Le cerveau humain contient environ 100 milliards neurones.
• Le nombre total de connexions est estimé à environ 10^15.
Les réseaux de neurones
Neurone biologique naturel:
Le neurone reçoit des messages par les dendrites et les traite par
la suite.
Il transmet les informations traitées (impulsions électriques) le
long de l’axone.
De synapse en synapse, l’information transite dans la totalité de
notre corps.
Synapse
Entrées Sortie
Les réseaux de neurones
Neurone artificiel:
• C’est un nœud d'un réseau de plusieurs neurones, qui reçoit généralement
plusieurs valeurs d'entrée et génère une valeur de sortie.
• A chacune de ses entrées, on associe un poids.
Les entrées Le traitement des La sortie
informations
Les réseaux de neurones
Neurone artificiel:
Poids synaptique: représente le poids de la relation et la force de la connexion
entre deux neurones.
Plus la valeur d'un poids w est importante, plus l'intensité du signal entrant est
forte, et donc, plus l'entrée correspondante est influente.
Les réseaux de neurones
Neurone artificiel:
• Le neurone reçoit les entrées x1, …, xi, …, xN.
• Le potentiel d’activation du neurone est défini comme la somme pondérée
des entrées.
• La sortie est alors calculée comme suit: Oi = f(Ii) = f(∑ xjwj)
Le concept de réseau de neurones repose sur trois étapes principales:
1. Pour chaque neurone, multiplier les valeurs d’entrées par les poids.
2. Ensuite, additionner toutes les pondérations des entrées.
3. Enfin, appliquer la fonction d’activation sur cette valeur pour calculer la sortie
finale.
Les réseaux de neurones
Fonction d’activation :
• C’est une formule mathématique qui permet de lisser ou normaliser la
donnée de sortie avant qu’elle ne soit transmise aux neurones suivants.
• Exemple : Identité; Sigmoïde; Tangente hyperbolique (tanh); Unité linéaire
rectifiée (ReLu)…
• On utilise généralement des fonctions à valeurs dans l'intervalle réel [0,1] et
qui possèdent un seuil.
Exemple :
Fonction sigmoide Fonction Heaviside
Les réseaux de neurones
Comment déterminer le RNA
Lors de la phase d’apprentissage, les caractéristiques du réseau sont
modifiées jusqu’à ce que le comportement désiré soit obtenu.
On cherche alors les meilleurs valeurs des poids synaptiques.
