Différences entre versions de « Réseau de neurones artificiels »

De Didaquest
Aller à la navigationAller à la recherche
 
(26 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 29 : Ligne 29 :
 
|Domaine-Discipline-Thématique-2= Intelligence artificielle
 
|Domaine-Discipline-Thématique-2= Intelligence artificielle
 
|Domaine-Discipline-Thématique-3= apprentissage automatique
 
|Domaine-Discipline-Thématique-3= apprentissage automatique
|Domaine-Discipline-Thématique-4=  
+
|Domaine-Discipline-Thématique-4= Algorithme
|Domaine-Discipline-Thématique-5=
+
|Domaine-Discipline-Thématique-5=Algorithme avancé
 
|Domaine-Discipline-Thématique-6=
 
|Domaine-Discipline-Thématique-6=
 
|Domaine-Discipline-Thématique-7=
 
|Domaine-Discipline-Thématique-7=
Ligne 51 : Ligne 51 :
 
Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre
 
Un réseau de neurones artificiels ou Neural Network est un système informatique s’inspirant du fonctionnement du cerveau humain pour apprendre
  
Les réseaux de neurones artificiels permettent aux ordinateurs de résoudre des problèmes de façon autonome et renforcent leurs capacités d’une manière générale. Certains nécessitent une supervision initiale, en fonction de la méthode d’intelligence artificielle utilisée.
+
Les réseaux de neurones artificiels permettent aux ordinateurs de résoudre des problèmes de façon autonome et renforcent leurs capacités d’une manière générale. Certains nécessitent une supervision initiale, en fonction de la méthode d’intelligence artificielle utilisée.
  
 
'''Comment fonctionne un réseau neuronal artificiel ?'''
 
'''Comment fonctionne un réseau neuronal artificiel ?'''
Ligne 62 : Ligne 62 :
 
Par la suite, chaque tiers reçoit les sorties d’informations du tiers précédent. On retrouve le même processus chez l’Homme, lorsque les neurones reçoivent des signaux en provenance des neurones proches du nerf optique. Le dernier tiers, quant à lui, produit les résultats du système.
 
Par la suite, chaque tiers reçoit les sorties d’informations du tiers précédent. On retrouve le même processus chez l’Homme, lorsque les neurones reçoivent des signaux en provenance des neurones proches du nerf optique. Le dernier tiers, quant à lui, produit les résultats du système.
  
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.
+
'''Quels sont les différents types de réseaux de Neural Networks ?'''
 +
 
 +
On distingue différents types de réseaux de neurones. En règle générale, les Neural Networks sont catégorisés en fonction du nombre d’épaisseurs qui séparent l’entrée de données de la production du résultat, en fonction du nombre de noeuds cachés du modèle, ou encore du nombre d’entrées et de sorties de chaque noeud.
 +
 
 +
En fonction du type de réseau, la propagation des informations entre les différents tiers de neurones peut varier. Dans la variante la plus simple, celle du réseau de neurones dit '''” feed-forward “''', les informations passent directement de l’entrée aux noeuds de traitement puis aux sorties.
 +
 
 +
'''Les réseaux de neurones récurrents''', quant à eux, sauvegardent les résultats produits par les noeuds de traitement et nourrissent le modèle à l’aide de ces résultats. Ce mode d’apprentissage est un peu plus complexe.
  
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.
+
Enfin, '''les réseaux de neurones convolutifs''' sont de plus en plus utilisés dans différents domaines : reconnaissance facale, numérisation de texte, traitement naturel du langage…
  
 +
Le réseau de neurones artificiels est une technologie trés puissante dans l'apprentissage automatique(artificiel)
 
<!-- ******** Fin Définition Générale ***************************** -->
 
<!-- ******** Fin Définition Générale ***************************** -->
 
<!-- ************* Début Définition Approfondissement ************* -->
 
<!-- ************* Début Définition Approfondissement ************* -->
Ligne 71 : Ligne 78 :
 
|Typologie= <!------------------------------------ Ne pas Modifier  -->
 
|Typologie= <!------------------------------------ Ne pas Modifier  -->
 
<!-- ****************** Commercez les modifications ****************-->
 
<!-- ****************** Commercez les modifications ****************-->
 +
'''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.
  
 
}}<!-- ******** Fin Fiche Didactique Définition ******************* -->
 
}}<!-- ******** Fin Fiche Didactique Définition ******************* -->
Ligne 101 : Ligne 120 :
 
<!-- ****************** Commercez les modifications pour les Vidéos *******************************************************-->
 
<!-- ****************** Commercez les modifications pour les Vidéos *******************************************************-->
  
 +
<youtube width="220" height="220">https://www.youtube.com/watch?v=gPVVsw2OWdM&t=375s</youtube>
 
<youtube width="220" height="220">https://www.youtube.com/watch?v=8qL2lSQd9L8</youtube>
 
<youtube width="220" height="220">https://www.youtube.com/watch?v=8qL2lSQd9L8</youtube>
<youtube width="220" height="220">https://www.youtube.com/watch?v=gPVVsw2OWdM</youtube>
+
<youtube width="220" height="220">https://www.youtube.com/watch?v=T-wpJPZV8io&t=24s</youtube>
<youtube width="220" height="220">https://www.youtube.com/watch?v=vpOLiDyhNUA</youtube>
 
  
  
Ligne 117 : Ligne 136 :
 
<!----------------- Commencez les modifications des Mots Clés --------------------->
 
<!----------------- Commencez les modifications des Mots Clés --------------------->
  
|Mot-Clé-1=réseau de neurones
+
|Mot-Clé-1=Réseau de neurones artificiels
|Mot-Clé-2=apprentissage automatique
+
|Mot-Clé-2=Apprentissage automatique
 
|Mot-Clé-3=Apprentissage profond
 
|Mot-Clé-3=Apprentissage profond
 
|Mot-Clé-4=
 
|Mot-Clé-4=
Ligne 160 : Ligne 179 :
 
<!-- ****************** Commercez les modifications *************************-->
 
<!-- ****************** Commercez les modifications *************************-->
  
* Confusion entre [[....... - ........]]
+
* Confusion entre [[réseau de neurones artificiels - réseau de neurones biologiques]]
 
* Confusion entre [[....... - ........]]
 
* Confusion entre [[....... - ........]]
 
* Erreur fréquente: ....................
 
* Erreur fréquente: ....................
Ligne 175 : Ligne 194 :
 
<!-- ************ Commercez les modifications *********************-->
 
<!-- ************ Commercez les modifications *********************-->
  
* [[..................]]?
+
* [[Qu'est ce qu'un réseau de neurones artificiels]]?
* [[..................]]?
+
* [[Comment fonctionne un réseaux de neurones]]?
* [[..................]]?
+
* [[Comment la machine apprenne avec un réseau de neurones artificiels ]]?
  
 
}}<!-- ******** Fin Fiche Didactique Questions ******************* -->
 
}}<!-- ******** Fin Fiche Didactique Questions ******************* -->
Ligne 193 : Ligne 212 :
 
<!-- ****************** Commercez les modifications **************************  -->
 
<!-- ****************** Commercez les modifications **************************  -->
  
Utiliser l'intelligence artificielle avec des techniques d'apprentissage en profondeur (DL), qui imitent l'action du cerveau, pour améliorer le processus d'apprentissage de la grammaire d'un élève. Utilisez un réseau de neurones artificiels pour découvrir les erreurs et apprenez aux élèves à ne pas commettre ces erreurs.                                               
+
Les réseaux de neurones artificiels proposent des techniques de perceptions artificels (traitement de signal : d'image, de son,...), il serait trés avantageu de profiter de ces techniques dans un environnement informatisé  d'apprentissage humain: EIAH.
:* .................
+
* ..................                                               
+
Les réseaux de neurones constituent des algorithmes d'apprentissage artificiels trés puissants qui pourraient s'en servir enormément dans l'apprentissage humain.                                              
:* .................                                                
 
  
 
}}<!-- ************************* Fin Idées-Enseignement ********************** -->
 
}}<!-- ************************* Fin Idées-Enseignement ********************** -->
  
 +
{| class="wikitable"
 +
|+ Tableau comparatif des différents types de réseaux de neurones artificiels
 +
|-
 +
! [[Type de réseau 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.
 +
|}
  
 
== {{Widget:Aides et astuces-Fiche}} ==
 
== {{Widget:Aides et astuces-Fiche}} ==
Ligne 209 : Ligne 240 :
 
<!-- Complétez les pointillés et Supprimez les lignes non utilisées          ----->
 
<!-- Complétez les pointillés et Supprimez les lignes non utilisées          ----->
 
<!-- ****************** Commercez les modifications **************************  -->
 
<!-- ****************** Commercez les modifications **************************  -->
 +
Le 'deep Learning' (apprentissage profond)  basée sur les réseaux de neurones fait partie de domaine de l'intelligence artificielle                                             
  
* ..................                                               
+
                                               
:* .................
 
* ..................                                               
 
:* .................                                               
 
  
 
}}<!-- ************************* Fin Astuces-Enseignement ********************** -->
 
}}<!-- ************************* Fin Astuces-Enseignement ********************** -->
Ligne 225 : Ligne 254 :
 
<!-- ****************** Commercez les modifications ************-->
 
<!-- ****************** Commercez les modifications ************-->
  
:* ..................
+
* https://www.cea.fr/multimedia/Documents/infographies/reseaux-neurones.pdf (bien pour commencer à comprendre)
:* ..................
+
* https://www.edu-lab.be/intelligence-artificielle-en-education/
:* ..................
+
* https://www.cdcp-tn.com/lintelligence-artificielle-futur-de-leducation/
 +
* https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition                                           
 +
* https://fr.wikiversity.org/wiki/R%C3%A9seaux_de_neurones/Applications_des_r%C3%A9seaux_de_neurones
  
 
}}<!-- ************ Fin Liens Education ********************** -->
 
}}<!-- ************ Fin Liens Education ********************** -->
Ligne 240 : Ligne 271 :
 
<!-- Complétez les pointillés et Supprimez les lignes non utilisées  ----->
 
<!-- Complétez les pointillés et Supprimez les lignes non utilisées  ----->
 
<!-- ****************** Commercez les modifications *********************-->
 
<!-- ****************** Commercez les modifications *********************-->
 +
* Lilian Weng, 2019: "Generalized Language Models": January 31, 2019 (https://lilianweng.github.io/posts/2019-01-31-lm/)
  
https://www.lebigdata.fr/reseau-de-neurones-artificiels-definition
 
                                               
 
https://fr.wikiversity.org/wiki/R%C3%A9seaux_de_neurones/Applications_des_r%C3%A9seaux_de_neurones
 
* ..................                                               
 
* ..................                                               
 
  
 
}}<!-- ************* Fin Fiche Didactique Bibliographie *************** -->
 
}}<!-- ************* Fin Fiche Didactique Bibliographie *************** -->
  
 
{{Widget:Fiche-Conceptuelle-Bas}}
 
{{Widget:Fiche-Conceptuelle-Bas}}

Version actuelle datée du 9 mai 2023 à 17:22


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