Réseau de neurones artificiels

Autres Fiches Conceptuelles

Posez une Question

(+)

Votre Publicité sur le Réseau

Traduction

Réseau de neurones artificiels (Français) / Artificial Neural Network (Anglais) / الشبكة العصبية الاصطناعية (Arabe)

(+)

Traductions

Définition

Domaine, Discipline, Thématique

(+)

Informatique / Intelligence artificielle / apprentissage automatique / Algorithme / Algorithme avancé /

Justification

Définition écrite

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.

Comment fonctionne un réseau neuronal artificiel ?

La conception des réseaux de neurones artificiels s'appuie sur la structure des neurones biologiques du cerveau humain.

Les réseaux de neurones artificiels peuvent être décrits comme des systèmes composés d’au moins deux couches de neurones - une couche d’entrée et une couche de sortie - et comprenant généralement des couches intermédiaires (« hidden layers »). Plus le problème à résoudre est complexe, plus le réseau de neurones artificiels doit comporter de couches. Chaque couche contient un grand nombre de neurones artificiels spécialisés En règle générale, un réseau de neurones repose sur un grand nombre de processeurs opérant en parallèle et organisés en tiers. Le premier tiers reçoit les entrées d’informations brutes, un peu comme les nerfs optiques de l’être humain lorsqu’il traite des signaux visuels.

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.

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.

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)

(+)

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.

Réseau de neurones artificiels - Historique (+)

Définition graphique

• 

  Titre de Votre Image 1

• 

  Titre de Votre Image 2

• 

  Titre de Votre Image 3

{{{AutresMedias}}}

Concepts ou notions associés

(+)

Réseau de neurones artificiels / Apprentissage automatique / Apprentissage profond /

Réseau de neurones artificiels - Glossaire / (+)

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 (+)

Erreurs ou confusions éventuelles

• Confusion entre réseau de neurones artificiels - réseau de neurones biologiques
• Confusion entre ....... - ........
• Erreur fréquente: ....................

(+)

Questions possibles

• 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 ?

(+)

Liaisons enseignements et programmes

Idées ou Réflexions liées à son enseignement

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.

(+)

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

Le 'deep Learning' (apprentissage profond) basée sur les réseaux de neurones fait partie de domaine de l'intelligence artificielle

Education: Autres liens, sites ou portails

• 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

Bibliographie

Pour citer cette page: (de neurones artificiels)

ABROUGUI, M & al, 2023. Réseau de neurones artificiels. In Didaquest [en ligne]. <http:www.didaquest.org/wiki/R%C3%A9seau_de_neurones_artificiels>, consulté le 21, novembre, 2024

• Lilian Weng, 2019: "Generalized Language Models": January 31, 2019 (https://lilianweng.github.io/posts/2019-01-31-lm/)

Donnez votre avis sur les fiches conceptuelles