Traduit de Anglais vers Français - [Link].
com
Réseau neuronal
Avec Neji MAATOUK
- Modèles d'apprentissage automatique inspirés de la structure du cerveau humain.
- Dans le cerveau, les neurones sont fortement connectés et communiquent des signaux
chimiques via les synapses (une jonction entre deux cellules nerveuses) entre les axones et
dendrites.
- On estime que le cerveau humain compte 100 milliards de neurones, et chaque neurone est
étroitement connecté à 10 000 autres neurones.
- La figure montre une représentation d'un réseau de neurones dans le cerveau
Avec Neji MAATOUK
Les réseaux neuronaux artificiels sont des collections de « neurones » interconnectés (appelés
nœuds) qui travaillent ensemble pour transformer les données d’entrée en données de sortie.
• Chaque nœud applique une transformation mathématique aux données qu’il
reçoit ; il transmet ensuite son résultat aux autres nœuds sur son chemin.
• Exemples pour applications:
- Détection d'objets, suivi et analyse d'images et de vidéos (CNN)
- Traitement du langage naturel (par exemple, traduction automatique) (RNN)
- Voitures et robots autonomes
Avec Neji MAATOUK
- Trois couches ou plus (une couche d’entrée, une ou plusieurs couches cachées et une
couche de sortie).
- Les modèles de réseaux neuronaux peuvent s’ajuster et apprendre à mesure que les données changent.
- Un réseau neuronal est composé de trois couches ou plus : une couche d'entrée, une ou plusieurs
couches cachées et une couche de sortie. Les données sont importées via la couche d'entrée
Avec Neji MAATOUK
Perceptron
• Un modèle de neurone unique et créateur du réseau neuronal.
• Similaire à la classification linéaire, où chaque entrée a un poids.
• Un biais.
Un perceptron est un modèle de neurone unique qui a été à l'origine des réseaux neuronaux. Il est
similaire à la régression linéaire.
Chaque neurone a son propre biais et sa propre pente (poids).
Par exemple, supposons qu'un neurone ait deux entrées (X 1et X 2), il faut donc
trois poids (P1, P2et P0 ). T
Le graphique de cette diapositive montre un poids pour chaque entrée et un pour le biais.
Avec Neji MAATOUK
Réseaux neuronaux : Rétropropagation
La rétropropagation est un algorithme d'entraînement des réseaux neuronaux qui comporte plusieurs couches. Il
fonctionne en deux phases :
• Première phase :La propagation des entrées à travers un réseau neuronal jusqu'à la couche finale
(appelée feedforward).
• Deuxième phase :L'algorithme calcule une erreur. Une valeur d'erreur est ensuite calculée en
utilisant la sortie souhaitée et la sortie réelle pour chaque neurone de sortie du réseau. La valeur
d'erreur est propagée vers l'arrière à travers les pondérations du réseau (en ajustant les
pondérations) en commençant par les neurones de sortie à travers la couche cachée et jusqu'à la
couche d'entrée (en fonction de la contribution de l'erreur).
Avec Neji MAATOUK
F = Fonction d'activation non linéaire pour obtenir une représentation non linéaire des entités
Avec Neji MAATOUK
Neurone simple
S=1*w0+x1*w1+x2*w2+...+xm*wm
O=F(S) où F désigne la fonction d'activation
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Formation des réseaux neuronaux artificiels
Avec Neji MAATOUK
Formation des réseaux neuronaux artificiels
Avec Neji MAATOUK
Formation des réseaux neuronaux artificiels
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
Avec Neji MAATOUK
