La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Christophe Raymond 1/32. Christophe Raymond 2/32 SOMMAIRE Introduction Pourquoi les réseaux de neurones? Différents types de réseaux Réseaux bouclés et.

Présentations similaires


Présentation au sujet: "Christophe Raymond 1/32. Christophe Raymond 2/32 SOMMAIRE Introduction Pourquoi les réseaux de neurones? Différents types de réseaux Réseaux bouclés et."— Transcription de la présentation:

1 Christophe Raymond 1/32

2 Christophe Raymond 2/32 SOMMAIRE Introduction Pourquoi les réseaux de neurones? Différents types de réseaux Réseaux bouclés et réseaux non bouclés Notion dapprentissage Apprentissage supervisé et non supervisé Règles dapprentissages Intelligence Artificielle sur Silicium Conclusion

3 Christophe Raymond 3/32 Pourquoi les réseaux de neurones? Caractéristiques de larchitecture du cerveau humain: –une architecture massivement parallèle –une capacité d'apprentissage –une capacité de généralisation –une capacité d'adaptation –une faible consommation énergétique

4 Christophe Raymond 4/32 Quest ce quun processus dIntelligence Artificielle ? Un cerveau humain contient environ cellules de décision. Le meilleur processeur en intègre actuellement Un circuit logique programmable peut en coder ~ 50. Cest un processus qui « imite » le mode de fonctionnement parallèle du cerveau humain.

5 Christophe Raymond 5/32 Le neurone biologique Dendrites : Signaux dentrée Axone : Signal de sortie

6 Christophe Raymond 6/32 Neurone formel: le modèle Mc Culloch et Pitts Un "neurone formel" (ou simplement "neurone") est une fonction algébrique non linéaire et bornée, dont la valeur dépend de paramètres appelés coefficients ou poids. Les variables de cette fonction sont habituellement appelées "entrées" du neurone, et la valeur de la fonction est appelée sa "sortie".

7 Christophe Raymond 7/32 Fonctions de transfert (ou fonctions dactivation)

8 Christophe Raymond 8/32 Différents types darchitecture de réseaux de neurones

9 Christophe Raymond 9/32 Réseaux bouclés Un réseau de neurones bouclé à temps discret est régi par une (ou plusieurs) équations aux différences non linéaires, résultant de la composition des fonctions réalisées par chacun des neurones et des retards associés à chacune des connexions. Les réseaux de neurones bouclés sont utilisés pour effectuer des tâches de modélisation de systèmes dynamiques, de commande de processus, ou de filtrage.

10 Christophe Raymond 10/32 Réseaux « non bouclés » ou réseaux à couches Un réseau de neurones non bouclé réalise une (ou plusieurs) fonctions algébriques de ses entrées, par composition des fonctions réalisées par chacun de ses neurones. Les réseaux de neurones non bouclés sont des objets statiques si les entrées sont indépendantes du temps, les sorties le sont également. Ils sont utilisés principalement pour effectuer des tâches d'approximation de fonction non linéaire, de classification ou de modélisation de processus statiques non linéaires.

11 Christophe Raymond 11/32 Notion dapprentissage

12 Christophe Raymond 12/32 Définition L apprentissage est une phase du développement dun réseau de neurones durant laquelle le comportement du réseau est modifié jusquà lobtention du comportement désiré. On distingue deux grandes classes dalgorithmes dapprentissage : –Lapprentissage supervisé –Lapprentissage non supervisé

13 Christophe Raymond 13/32 Apprentissage supervisé superviseur réseau sortie désiréesortie obtenue erreur ENTREES

14 Christophe Raymond 14/32 Apprentissage non supervisé réseau sortie obtenue ENTREES

15 Christophe Raymond 15/32 Règles dapprentissage Lapprentissage consiste à modifier le poids des connections entre les neurones. Il existe plusieurs règles de modification : –Loi de Hebb –Règle de Widrow-Hoff (delta rule) –Règle de Grossberg ij W ij

16 Christophe Raymond 16/32 Loi de Hebb : Quand 2 neurones sont excités en même temps, le lien entre les 2 doit être renforcé. Comment cette loi va t'elle s'exprimer formellement ? L'apprentissage se fait au moyen d'un ensemble de couples (x, d). w i,j = w i,j + µ * (y j * y i ) Règles dapprentissage Algorithme:.On initialise µ positif et les poids w i,j (souvent à 0).Pour chaque (e,c) de la Base dapprentissage.Calculer la sortie s du réseau.Si sc alors. w i,j = w i,j + µ * (y j * y i ).Fin Si.Fin Pour

17 Christophe Raymond 17/32 Règles dapprentissage Y1Y2Yv Exemple Initialisation: µ=1 w12=w23=0 Echantillon 1: a= 0*1+0*1=0 <=0 y3=-1 1 (=Yv3) Donc W13=W13+µ*(Y1*Yv3)=1 W23= W23+µ*(Y2*Yv3)=1 Echantillon 2: a= 1*1+1*(-1)=0 <=0 y3=-1 1 (=Yv3) Donc W13=W13+µ*(Y1*Yv3)=2 W23= W23+µ*(Y2*Yv3)=0 Ainsi de suite Réseau Fonction dactivation

18 Christophe Raymond 18/32 Loi de Widrow-Hoff : w i,j = w i,j + µ * (d j - y j ) * y i = w i,j + dw i,j w i,j (t + 1) = poids de la liaison i -> j au temps t + 1 w i,j (t) = poids de la liaison i -> j au temps t y i = sortie de la cellule i d j = réponse désirée µ = constante positive (entre 0.0 et 1.0) Règles dapprentissage La règle de Widrow-Hoff ou règle du delta est locale, c´est à dire que chaque cellule de sortie apprend indépendamment des autres. Widrow-Hoff Une cellule ne modifie les poids des liaisons qui aboutissent à elle que si elle se trompe.

19 Christophe Raymond 19/32 Loi de Grossberg : La méthode dapprentissage de ce réseau est dite compétitive", le processus dapprentissage est calculé, en fonction du vecteur présenté et seul un gagnant pourra modifier le poids de ses connexions avec les cellules environnantes. Ce gagnant est élu selon la formule suivante : où Wr et Wr représentent le poids des connexions au sein du réseau et v le vecteur dinput. Règles dapprentissage

20 Christophe Raymond 20/32 CM1K: 1024 neurones V1KU: Caméra intelligente équipée dun moteur dintelligence artificielle CM1K CogniBlox

21 Christophe Raymond 21/32 Les principaux objectifs de lIAC La machine doit acquérir de la connaissance et ainsi évoluer en sadaptant à son environnement: Apprendre, Reconnaitre, Généraliser Mettre en évidence des relations entre des données hétérogènes, de généraliser et de proposer une décision. Dispositif daccès sécurisé multi-experts virtuels

22 Christophe Raymond 22/32 Un nouveau concept machine Le temps de réponse ne doit plus dépendre de la taille de la base de données processeurs travaillent en parallèle Le traitement massivement parallèle de linformation

23 Christophe Raymond 23/32 Quand le feu est rouge, on stoppe Quand le feu est vert, on passe Quand le feu est orange ?......!!! ça dépend : Situation impossible à programmer simplement LI.A. une nouvelle façon de penser les problèmes non-linéaires !! LI.A. est loutil pour la perception globale de lenvironnement. IA sur silicium un nouvel outil à réaction contextuelle

24 Christophe Raymond 24/32 Une anticipation rapide des évènements critiques est essentielle et nécessite un traitement local de linformation. Pour des raisons économiques, techniques et de sécurité il faut déployer des experts virtuels dupliquant lexpertise humaine au niveau capteur. Un grand nombre de capteurs Un seul superviseur Surcharge! La perception globale de lenvironnement est un défi Le capteur doit devenir autonome, intelligent et évolutif

25 Christophe Raymond 25/32 Hier : Une caméra avec IP, un média à haute B.P., un ordinateur puissant, un programme, un ingénieur développeur Un client captif Aujourdhui : une caméra intelligente, autonome capable dapprendre, de reconnaitre et de généraliser Un client expert lI.A. est une réalité industrielle Elle est amenée à se développer

26 Christophe Raymond 26/32 Nouvelle Génération dordinateurs: Analyse qualité de surfaces:

27 Christophe Raymond 27/32 Pour extraire linformation du « bruit » il faut effectuer une segmentation. Mais est-ce suffisant? LIA associe des caractéristiques à des concepts Segmentation – Classification - Reconnaissance Linformation utile nest pas toujours là où on lattend!

28 Christophe Raymond 28/32 Quel est lapport de lI.A. ? Gâcreàdesrchecrehesàl'uinevsertiedeCma brdige,l'odrredesltetersdansunmotn'aquep eud'ipmrotnace,lasuelecohseipmrotnatees tquelapermeireetladreneireltteresionetbein palcseé.Driequenuospssaonspulsdelamiot éiedentorevieàarppenrdeàepepellrlesmtos.Etnnoantnon? Segmentation – Classification - Reconnaissance

29 Christophe Raymond 29/32 Gâcre à des rchecrehes à l'uinevsertié de Cmabrdige, l'odrre des lteters dans un mot n'a que peu d'ipmrotnace, la suele cohse ipmrotnate est que la pèrmeire et la drèneire lttere sionet bein palcseé. Drie que nuos pssaons puls de la miotéie de ntore vie à arppenrde à epepellr les mtos. Etnnoant non? LIA associe des caractéristiques à des concepts: des mots … Segmentation – Classification - Reconnaissance

30 Christophe Raymond 30/32 Lextraction de caractéristiques est une étape essentielle LI.A. nécessite de répondre à deux questions - Quels sont les caractères discriminants? (identification dévénements) - Quelles sont les différentes catégories? (classification des événements)

31 Christophe Raymond 31/32 les réseaux de neurones sont des outils statistiques, qui permettent d'ajuster des fonctions non linéaires très générales à des ensembles de points l'utilisation de réseaux de neurones nécessite que l'on dispose de données suffisamment nombreuses et représentatives les réseaux de neurones permettent de modéliser des phénomènes statiques (réseaux non bouclés) et dynamiques (réseaux bouclés) il faut utiliser, pour la conception du réseau, les connaissances mathématiques dont on dispose sur le phénomène à modéliser. Conclusion Traitement nativement parallèle de l'information, Fusion de données hétérogènes, Capacité dapprendre, de reconnaître et de généraliser, Système évolutif, Simple dusage, Réponse rapide Faible consommation, Faible coût. Les points fondamentaux à toujours garder à l'esprit :

32 Christophe Raymond 32/32 Toute idée qui ne parait pas stupide au départ est vouée à léchec. A. Einstein

33 Christophe Raymond 33/32 Apports de lIA Traitement nativement parallèle de l'information, Fusion de données hétérogènes, Capacité dapprendre, de reconnaître et de généraliser, Système évolutif, Simple dusage, Réponse rapide, Faible consommation, Faible coût. Une nouvelle approche … Cest à la machine de sadapter à lhomme et non à lhomme de sadapter à la machine (K. Höök)


Télécharger ppt "Christophe Raymond 1/32. Christophe Raymond 2/32 SOMMAIRE Introduction Pourquoi les réseaux de neurones? Différents types de réseaux Réseaux bouclés et."

Présentations similaires


Annonces Google