Différences entre versions de « Réseau de neurones artificiels »
| Ligne 71 : | Ligne 71 : | ||
|Typologie= <!------------------------------------ Ne pas Modifier --> | |Typologie= <!------------------------------------ Ne pas Modifier --> | ||
<!-- ****************** Commercez les modifications ****************--> | <!-- ****************** Commercez les modifications ****************--> | ||
| + | '''L'apprentissage automatique''' | ||
| + | Le réseau de neurones artificiels est un algorithme d'apprentissage automatique très puissant: | ||
| + | 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 l 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. | ||
| + | '''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 ******************* --> | ||
Version du 24 mai 2021 à 10:48
 Votre Publicité sur le Réseau
|
Traduction
Réseau de neurones artificiels (Français)
/ Artificial Neural Network (Anglais)
/ الشبكة العصبية الاصطناعية (Arabe)
Traductions
Définition
Domaine, Discipline, Thématique
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.
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 automatique Le réseau de neurones artificiels est un algorithme d'apprentissage automatique très puissant: 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 l 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. 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 - 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 biologique
- Confusion entre ....... - ........
- Erreur fréquente: ....................
Questions possibles
Liaisons enseignements et programmes
Idées ou Réflexions liées à son enseignement
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.
- .................
- ..................
- .................
Aides et astuces
- ..................
- .................
- ..................
- .................
Education: Autres liens, sites ou portails
- ..................
- ..................
- ..................
Bibliographie
Pour citer cette page: (de neurones artificiels)
ABROUGUI, M & al, 2021. Réseau de neurones artificiels. In Didaquest [en ligne]. <http:www.didaquest.org/wiki/R%C3%A9seau_de_neurones_artificiels>, consulté le 21, novembre, 2024
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 Dror Mughaz et autre (Juin 2020). From an Artificial Neural Network to Teaching. Interdisciplinary Journal of e-Skills and Lifelong Learning
- ..................
- ..................
