© Dunod – Toute reproduction non autorisée est un délit.
133
10.6 • Méthodes neuronales
Par exemple, un programme aura des difficultés à prédire que les formes A et B
correspondent à des arbres différents et que la forme C pourtant assez proche de la
forme A n’en est pas un. Un enfant de trois ans est capable de classer correctement
ces formes en consommant seulement quelques mW d’énergie.
De plus, le cerveau humain est doté de mémoire associative (apprentissage). Par
exemple, il est capable d’interpréter un texte très bruité comme dans le cas de cette phrase :
Le povuoir phoémanénl du crveeau hmauin. Soeln une rcheerche fitae à
l’Unievritsé de Cmaribgde, il n’y a pas d’iromtpance sur l’odrre dnas luqeel
les ltertes snot etirercs, la suele cohse imotrpnate est que la priremère et
la derènire lterte du mot siot à la bnone pcale. La raoisn est que le cveerau
hmauin ne lit pas les mtos ltrete par letrte mias ptuôlt cmome un tuot.
Le cerveau tire sa puissance du grand nombre de connexions entre les neurones et
de leur organisation en couche. Le réseau de neurone formel va reproduire ces deux
caractéristiques (figure 10.10). Il est constitué d’une couche d’entrée, d’une couche
cachée et d’une couche de sortie. Chaque neurone j fait la somme Sj des n coefficients ,
Wi j de la couche d’entrée. Sj est comparée à une fonction d’activation et
l’état e(j) du neurone est actif ou inactif. S’il est actif, le neurone j envoie des coefficients ,
.
Wj k au neurone k
Un réseau fonctionne en trois phases :
• l’apprentissage des coefficients de manière à optimiser globalement la qualité de
la relation entre les entrées fournies et les sorties attendues. Ce processus se fait
par back propagation depuis la couche en aval vers la couche en amont (en sens
inverse du sens de fonctionnement) ;
• la généralisation teste la capacité du réseau de fournir des sorties correctes avec
des entrées qui ne lui ont jamais été présentées (mais dont l’utilisateur connaît les
sorties correspondantes) ;
Figure 10.10 – Fonctionnement d’un réseau de neurones.
133
10.6 • Méthodes neuronales
Par exemple, un programme aura des difficultés à prédire que les formes A et B
correspondent à des arbres différents et que la forme C pourtant assez proche de la
forme A n’en est pas un. Un enfant de trois ans est capable de classer correctement
ces formes en consommant seulement quelques mW d’énergie.
De plus, le cerveau humain est doté de mémoire associative (apprentissage). Par
exemple, il est capable d’interpréter un texte très bruité comme dans le cas de cette phrase :
Le povuoir phoémanénl du crveeau hmauin. Soeln une rcheerche fitae à
l’Unievritsé de Cmaribgde, il n’y a pas d’iromtpance sur l’odrre dnas luqeel
les ltertes snot etirercs, la suele cohse imotrpnate est que la priremère et
la derènire lterte du mot siot à la bnone pcale. La raoisn est que le cveerau
hmauin ne lit pas les mtos ltrete par letrte mias ptuôlt cmome un tuot.
Le cerveau tire sa puissance du grand nombre de connexions entre les neurones et
de leur organisation en couche. Le réseau de neurone formel va reproduire ces deux
caractéristiques (figure 10.10). Il est constitué d’une couche d’entrée, d’une couche
cachée et d’une couche de sortie. Chaque neurone j fait la somme Sj des n coefficients ,
Wi j de la couche d’entrée. Sj est comparée à une fonction d’activation et
l’état e(j) du neurone est actif ou inactif. S’il est actif, le neurone j envoie des coefficients ,
.
Wj k au neurone k
Un réseau fonctionne en trois phases :
• l’apprentissage des coefficients de manière à optimiser globalement la qualité de
la relation entre les entrées fournies et les sorties attendues. Ce processus se fait
par back propagation depuis la couche en aval vers la couche en amont (en sens
inverse du sens de fonctionnement) ;
• la généralisation teste la capacité du réseau de fournir des sorties correctes avec
des entrées qui ne lui ont jamais été présentées (mais dont l’utilisateur connaît les
sorties correspondantes) ;
Figure 10.10 – Fonctionnement d’un réseau de neurones.