CHAPITRE VI Application du Machine Learning pour l’étude du franchissement
97
VI.2.6. Neuronal network
Les réseaux neuronaux sont des modelés qui fonction de la même façon qu’un systèmes nerveux
biologique. En 1943 Walter Pitts et Warren McCulloch (T. Kauppi et 2018) ont inventé le tout
premier neurone artificiel qu’ils ont nommé Perceptron à l’époque. Ces deux chercheurs en
neuroscience et science cognitive se sont inspirés du fonctionnement du cortex visuel des
mammifères (C. Lam et al., 2018).
VI.2.6.1 Réseau de neurone artificiel
C’est un algorithme d’apprentissage automatique supervisé de classification binaire. Il s’agit du
type de réseau de neurones artificiels le plus simple (Barreiro. L et al., 2018).
VI.2.6.1.1
Structure :
La structure d’un neurone formel peut prendre plusieurs formes différentes selon la méthode de
traitement et l’objet de données (Figure VI-4).
Figure VI-4 Représentation graphique d’un perceptron (Rajarajan, 2015).
Comme nous pouvons le constater, sa structure est composée de 6 parties (Janecek, 2007) :
• Les entrées (x1, x2, x3, …, xn)
• Les poids (w1, w2, w3, …, wn)
• Une fonction de somme (∑)
• Un biais (w0)
• Une fonction d’activation
• Une sortie
L’architecture générale des réseaux de neurones semblable, en première approximation à celle du
cerveau humain, elle consiste en la représentation des neurones en couches (layers) successives,
la première représentant la couche d’entrée (input layer), la dernière étant la couche de sortie
(output layer), les couches intermédiaires étant les couches cachées (hidden layers) du réseau. Ces
97
VI.2.6. Neuronal network
Les réseaux neuronaux sont des modelés qui fonction de la même façon qu’un systèmes nerveux
biologique. En 1943 Walter Pitts et Warren McCulloch (T. Kauppi et 2018) ont inventé le tout
premier neurone artificiel qu’ils ont nommé Perceptron à l’époque. Ces deux chercheurs en
neuroscience et science cognitive se sont inspirés du fonctionnement du cortex visuel des
mammifères (C. Lam et al., 2018).
VI.2.6.1 Réseau de neurone artificiel
C’est un algorithme d’apprentissage automatique supervisé de classification binaire. Il s’agit du
type de réseau de neurones artificiels le plus simple (Barreiro. L et al., 2018).
VI.2.6.1.1
Structure :
La structure d’un neurone formel peut prendre plusieurs formes différentes selon la méthode de
traitement et l’objet de données (Figure VI-4).
Figure VI-4 Représentation graphique d’un perceptron (Rajarajan, 2015).
Comme nous pouvons le constater, sa structure est composée de 6 parties (Janecek, 2007) :
• Les entrées (x1, x2, x3, …, xn)
• Les poids (w1, w2, w3, …, wn)
• Une fonction de somme (∑)
• Un biais (w0)
• Une fonction d’activation
• Une sortie
L’architecture générale des réseaux de neurones semblable, en première approximation à celle du
cerveau humain, elle consiste en la représentation des neurones en couches (layers) successives,
la première représentant la couche d’entrée (input layer), la dernière étant la couche de sortie
(output layer), les couches intermédiaires étant les couches cachées (hidden layers) du réseau. Ces