Réseau de neurones artificiels

De Didaquest
(diff) ← Version précédente | Voir la version actuelle (diff) | Version suivante → (diff)
Aller à la navigationAller à la recherche


Autres Fiches Conceptuelles
Posez une Question


(+)

Target Icon.pngVotre Publicité sur le Réseau Target Icon.png

Puce-didaquest.png Traduction


More-didaquest.png Traductions


Puce-didaquest.png Définition

Domaine, Discipline, Thématique


More-didaquest.png Justification


Définition écrite


L'apprentissage automatique

Par le biais d’un algorithme, le réseau de neurones artificiels permet à l’ordinateur d’apprendre à partir de nouvelles données. L’ordinateur doté du réseau de neurones apprend à effectuer une tâche en analysant des exemples pour s’entraîner. Ces exemples ont préalablement été étiquetés afin que le réseau puisse savoir ce dont il s’agit.

Par exemple, un réseau de neurones peut être utilisé pour apprendre à l’ordinateur à reconnaître des objets. Un grand nombre d’objets d’une même catégorie est présenté au réseau de neurones, et l’ordinateur apprendre à reconnaître cet objet sur de nouvelles images en analysant les patterns récurrentes au sein des images d’exemple. Ainsi, en analysant des milliers de photos de chats, le Neural Network apprendra à reconnaître un chat sur n’importe quelle photo.

L'apprentissage profond (DL= Deep Learning)

Pour comprendre comment fonctionne le Deep Learning, prenons un exemple concret de reconnaissance d’images. Imaginons que le réseau de neurones soit utilisé pour reconnaître les photos qui comportent au moins un chat. Pour pouvoir identifier les chats sur les photos, l’algorithme doit être en mesure de distinguer les différents types de chats, et de reconnaître un chat de manière précise quel que soit l’angle sous lequel il est photographié.

Deep Learning : exemple Afin d’y parvenir, le réseau de neurones doit être entraîné. Pour ce faire, il est nécessaire de compiler un ensemble d’images d’entraînement pour pratiquer le Deep Learning. Cet ensemble va regrouper des milliers de photos de chats différents, mélangés avec des images d’objets qui ne sont pas des chats. Ces images sont ensuite converties en données et transférées sur le réseau. Les neurones artificiels assignent ensuite un poids aux différents éléments. La couche finale de neurones va alors rassembler les différentes informations pour déduire s’il s’agit ou non d’un chat. Le réseau de neurones va ensuite comparer cette réponse aux bonnes réponses indiquées par les humains. Si les réponses correspondent, le réseau garde cette réussite en mémoire et s’en servira plus tard pour reconnaître les chats. Dans le cas contraire, le réseau prend note de son erreur et ajuste le poids placé sur les différents neurones pour corriger son erreur. Le processus est répété des milliers de fois jusqu’à ce que le réseau soit capable de reconnaître un chat sur une photo dans toutes les circonstances.


More-didaquest.png Réseau de neurones artificiels - Historique (+)


Définition graphique




Puce-didaquest.png Concepts ou notions associés


More-didaquest.png Réseau de neurones artificiels - Glossaire / (+)



Puce-didaquest.png Exemples, applications, utilisations

Traitement d'image : compression d'images, reconnaissance de caractères et de signatures, reconnaissance de formes et de motifs, chiffrement[1], classification,...

Traitement du signal : traitement de la parole, identification de sources, filtrage, classification, ... traitement automatique des langues : segmentation en mots, représentation sémantique des mots (plongements lexicaux), étiquetage morpho-syntaxique, traduction automatique, ...

Contrôle : diagnostic de pannes, commande de processus, contrôle qualité, robotique, ... optimisation : allocation de ressources, planification, régulation de trafic, gestion, finance, ...

Simulation : simulation boîte noire, prévisions météorologiques classification d'espèces animales étant donnée une analyse ADN modélisation de l'apprentissage et perfectionnement des méthodes de l'enseignement approximation d'une fonction inconnue ou modélisation d'une fonction connue mais complexe à calculer avec précision


(+)


Puce-didaquest.png Erreurs ou confusions éventuelles



Puce-didaquest.png Questions possibles



Puce-didaquest.png Liaisons enseignements et programmes

Idées ou Réflexions liées à son enseignement



Tableau comparatif des différents types de réseaux de neurones artificiels
Type de réseau de neurones Avantages Inconvénients Applications
Réseaux de neurones à propagation avant (feedforward) Simples à entraîner et à mettre en œuvre. Ne convient pas aux tâches de traitement de données séquentielles telles que la reconnaissance de la parole et la traduction. Classification d'image, reconnaissance de caractères, prédiction de série chronologique.
Réseaux de neurones récurrents (RNN) Convient aux données de séquences telles que la reconnaissance de la parole et la traduction. Peut avoir des problèmes de rétro-propagation à travers les couches de temps dans les RNN à longue mémoire. Traitement de données de séquences telles que la reconnaissance de la parole, la traduction, la génération de texte.
Réseaux de neurones convolutifs (CNN) Efficaces pour le traitement de données à structure de grille tels que les images. Moins efficaces pour les données de séquences telles que la reconnaissance de la parole. Classification d'image, reconnaissance de caractères, segmentation d'image.
Réseaux de neurones de type Transformer Efficaces pour le traitement de données de séquences de grande taille et pour la génération de texte cohérent. Plus coûteux en termes de calcul que les autres types de réseaux de neurones. Traitement de langage naturel, génération de texte.

Aides et astuces



Education: Autres liens, sites ou portails




Puce-didaquest.png Bibliographie