Différences entre versions de « Réseau de neurones artificiels »

De Didaquest
Aller à la navigationAller à la recherche
Ligne 58 : Ligne 58 :
  
 
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
 
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 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.
  
 
<!-- ******** Fin Définition Générale ***************************** -->
 
<!-- ******** Fin Définition Générale ***************************** -->
Ligne 64 : Ligne 71 :
 
|Typologie= <!------------------------------------ Ne pas Modifier  -->
 
|Typologie= <!------------------------------------ Ne pas Modifier  -->
 
<!-- ****************** Commercez les modifications ****************-->
 
<!-- ****************** Commercez les modifications ****************-->
'''Exemple d'applications des réseaux de neurones artificiels:'''
+
'''Exemples d'applications des réseaux de neurones artificiels:'''
  
 
traitement d'image : compression d'images, reconnaissance de caractères et de signatures, reconnaissance de formes et de motifs, chiffrement[1], classification, ...
 
traitement d'image : compression d'images, reconnaissance de caractères et de signatures, reconnaissance de formes et de motifs, chiffrement[1], classification, ...

Version du 24 mai 2021 à 00:53


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


Exemples d'applications des réseaux de neurones artificiels:

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


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

  • ...............................................................................

................................................................................ ................................................................................ ................................................................................

  • ...............................................................................

................................................................................ ................................................................................ ................................................................................


(+)



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



Aides et astuces



Education: Autres liens, sites ou portails




Puce-didaquest.png Bibliographie