Les réseaux de neurones

Slides:



Advertisements
Présentations similaires
Réseaux neuronaux - Architectures et algorithmes
Advertisements

Plan Les réseaux de neurones Le réseau RBF RBF et Mushroom Historique
« Extraction des connaissances
Réseaux de Neurones Artificiels
LES RESEAUX DE NEURONES
LI.A ça ressemble à ça… des fois…. Ou pas… Rappels et définition de lIA – Lidée quon sen fait – Jusquoù on va aujourdhui / dans le futur? – Petit Etat.
DEMARCHES PEDAGOGIQUES en PSE
THÈME APPLICATION OF THE ARTIFICIAL NEURAL NETWORK FOR MODELING THE THERMAL BEHAVIOR OF BUILDING IN HUMID REGION Léopold Mbaa, Pierre Meukamb, Alexis.
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
Marketing Engineering
Réseaux de neurones artificiels « la rétropropagation du gradient »
Applications du perceptron multicouche
Architecture d’application
Reconnaissance de visages
Introduction.
Méthodes Connexionnistes Apprentissage Fusion d’informations
Architecture d’application
comptables, changements d'estimations comptables et erreurs »
RECONNAISSANCE DE FORMES
Construction de modèles visuels
Réseaux de neurones.
IFT 616 Intelligence Artificielle
Les réseaux de neurones
Chapitre 7 Réseau ART.
GPA-779 Perceptron multicouche
Résumé Domaine des réseaux de neurones.
Les réseaux de neurones artificiels (RNA)
DEA Perception et Traitement de l’Information
Le retour d’expérience: comment apprendre à apprendre
Classification automatique de textes
1 Modèle pédagogique d’un système d’apprentissage (SA)
Apprentissage avec un réseau de neurones artificiels
Cliquez sur le bouton ci-dessous, pour une démo
Qualification biologique des ovocytes et des zygotes en AMP par analyse et traitement d’images Khemmou J. 1, Vuillemenot J. 1, Pieralli C. 2, Roux C. 3.
Thème I- NEURONES ET FIBRES MUSCULAIRES: la communication nerveuse
Apprentissage Statistique et Techniques de Ré-échantillonnage
Points synthèse réunion 15_12_2014 Le réseau de neurones pourrait être entrainé de manière supervisé avec une rétro-propagation adapté à la temporalité.
Vue d’ensemble des outils du PRISM Dakar, 3 au 21 Mai 2010
Séminaire 10 Juin 2008 Pervasive Learning Network : P-LearNet Institut TELECOM.
Modèle réseau de neurones TODO-> spécifier architecture -> spécifier stimulus Essayer à partir des formules d’apprentissage de faire le lien avec la formule.
Cours La Biologie du Comportement Pr BARAKAT Session d’été 1.
L’apport du Connexionnisme
Perceptron multicouches
L’estimation.
Montage d’une unité d’enseignement: le rôle des crédits
Réseaux neuronaux et applications
Une méthode de prévision à un pas de temps Application à la prévision de la qualité de l’air S. Canu, Ph. Leray, A. Rakotomamonjy laboratoire PSI, équipe.
Christelle Scharff IFI 2004
Réseaux de neurones artificiels « programmation par l’exemple »
Les réseaux de neurones à réservoir en traitement d’images
Institut de sciences et technologies Département d’informatique
Apprentissage « machine »
Adapté de Michael Negnevitsky
Réseaux de neurones à base radiale
Karima Tabari1, Mounir Boukadoum1, Sylvain Chartier2,3, Hakim Lounis1
Présentation RFIA janvier 2002
Les réseaux de neurones à réservoir en traitement d’images
Intelligence artificielle
LES SUPPORTS INDIVIDUELS D ’AIDE A LA DECISION UNE PRESENTATION DE : DIALLO, OUSMANE B UNE PRESENTATION DE : DIALLO, OUSMANE B.
GPA-779 Application des systèmes experts et des réseaux de neurones.
Idées apprentissage couche L3: démarche ascendante ou descendante Temps du premier spike: -conception filtre à la main -apprentissage suivant une règle.
Le traitement visuel des mots écrits
Le réseau de neurones artificiel
C'est la perception par le consommateur qui définit le produit
Est-ce que les ordinateurs peuvent apprendre? Yoshua Bengio Labo Universitaire Bell Université de Montréal 21 septembre 2001.
Perceptron multicouche
Apprentissage automatique L’apprentissage automatique.
Architecture d’application L’apprentissage automatique appliqué à l’architecture 3-tiers.
Système d’annotation et de détection de modèle de véhicule Université de Sfax *** Institut Supérieur d’Informatique et de Multimédia de Sfax Réalisé par.
Transcription de la présentation:

Les réseaux de neurones « Les neurones, ces mystérieux papillon de l’âme » Santiago Ramon y Cajal, découvreur des neurones . Les réseaux de neurones

Plan du travail Introduction 1. Les réseaux de neurones, présentation du modèle 1.1. Un modèle inspiré du fonctionnement de neurones biologiques 1.2. Le réseau de neurones artificiels 2. Les réseaux de neurones, une prise de décision sur la base de la perception L’apprentissage Les applications des réseaux de neurones Conclusion

1- présentation du modèle NEURONE BIOLOGIQUE Reçoit des informations par l’intermédiaire des synapses L’information est traitée dans le noyau pour définir son activation Celles-ci est ensuite transmise aux autres neurones à travers l’axone

1- présentation du modèle NEURONE ARTIFICIEL Un modèle inspiré du fonctionnement des neurones biologiques Les entrées Poids synaptiques Fonctions de transfert Élément de sortie

1- présentation du modèle PRINCIPE DE FONCTION D’UN NEURONE ARTIFICIEL a : fonction à seuil (S la valeur du seuil )b : fonction linéaire par morceaux c : fonction sigmoïde

1- présentation du modèle ARCHITECTURE L’exemple le plus simple est le perceptron multicouche

2- prise de décision sur la base de la perception APPRENTISSAGE Caractéristique principale : la capacité à « apprendre » (ajustement des paramètres en fonction de l’expérience acquise) Types d’apprentissage : Apprentissage supervisé Apprentissage non supervisé Apprentissage hybride

2- prise de décision sur la base de la perception APPRENTISSAGE (types)

Règles d’apprentissage : Règle de correction d’erreur 2- prise de décision sur la base de la perception APPRENTISSAGE (règles) La règle d’apprentissage va permettre d’établir l’organisation des connexions et l’algorithme d’apprentissage (ajustement automatique des poids synaptiques en fonction des résultats) Règles d’apprentissage : Règle de correction d’erreur Apprentissage de Bolzmann Règle de Hebb Règle d’apprentissage par compétition

2- prise de décision sur la base de la perception APPLICATIONS Les fonctions d’exploitation des données Discrimination : Diagnostic de patient Reconnaissance de motifs (visuels & sonores) Régression : Estimations financières Prédiction d’évolution de flux Evaluation des risques

2- prise de décision sur la base de la perception APPLICATIONS La fonction d’organisation des données Simplification des données en groupes Marketing : établissement d’un groupe de consommateurs Ciblage de mailing Description des groupes de données Compréhension des habitudes de consommation Finances : corrélations des cours de bourse

Le réseau de neurones, une « boîte noire » CONCLUSION L’objectif des réseaux de neurones : la récupération de certaines fonctionnalités du cerveau (capacités d’apprentissage, de généralisation et d’adaptation) Le réseau de neurones, une « boîte noire »