-

Réseau de neurones

Les réseaux de neurones sont un modèle computationnel inspiré par le fonctionnement du cerveau humain. Ces réseaux sont utilisés pour des tâches variées d'apprentissage automatique, notamment la classification, la régression, la reconnaissance d'images et de parole, et bien d'autres. Les réseaux de neurones ont révolutionné de nombreux domaines grâce à leur capacité à apprendre des représentations complexes et à traiter de grandes quantités de données. Ils constituent une pierre angulaire de l'apprentissage profond (deep learning). Ils sont constitués de couches de noeuds appelés neurones, qui sont connectés entre eux par des poids.

Chaque neurone (noeud) reçoit des entrées, effectue un calcul sur ces entrées, et transmet une sortie. Un neurone typique prend un ensemble d'entrées pondérées, applique une fonction d'activation et produit une sortie. La couche d'entrée reçoit les données d'entrée; les couches cachées effectuent des transformations et extractions de caractéristiques intermédiaires; la couche de sortie produit la sortie finale du réseau. Les connexions entre les neurones sont pondérées. C'està-dire que des paramètres (poids) déterminent l'importance des connexions. Pendant l'entraînement, les poids sont ajustés pour minimiser l'erreur du réseau. Des fonction d'activation (Sigmoïde, Tanh, ReLU ( = Rectified Linear Unit) introduisent de la non-linéarité dans le modèle, permettant au réseau d'apprendre des relations complexes.

Dans la propagation avant (Forward Propagation), les entrées sont passées à travers le réseau, couche par couche. Chaque neurone effectue un calcul basé sur ses entrées, applique la fonction d'activation et transmet la sortie à la couche suivante. La sortie du réseau est comparée à la valeur attendue (étiquette) pour calculer une erreur (ou perte). La fonction de perte mesure la différence entre la sortie prédite et la sortie réelle. Dans la rétropropagation (backpropagation), l'erreur est propagée en arrière à travers le réseau. Les poids des connexions sont ajustés pour réduire l'erreur. Cela se fait en utilisant la descente de gradient pour minimiser la fonction de perte. Les poids sont mis à jour après chaque itération en fonction de l'erreur et du taux d'apprentissage. Le processus est répété pour plusieurs itérations (ou époques) jusqu'à ce que l'erreur soit minimisée.

Types de réseaux de neurones :

+ Les réseaux de neurones artificiels (Artificial Neural Networks, ANN) sont composés de couches entièrement connectées. Ils sont utilisés pour des tâches générales de classification et de régression.
+ Les réseaux de neurones convolutifs (Convolutional Neural Networks, CNN) sont utilisés principalement pour la vision par ordinateur. Ils incluent des couches de convolution et de pooling qui extraient automatiquement des caractéristiques des images.
+ Les réseaux de neurones récurrents (Recurrent Neural Networks, RNN) sont utilisés pour traiter des données séquentielles (ex. : séries temporelles, texte). Ils ncluent des connexions récurrentes permettant de conserver une mémoire des états précédents.
+ Les réseaux de neurones à mémoire longue et courte (Long Short-Term Memory, LSTM) sont un type de RNN conçu pour surmonter le problème des gradients qui disparaissent, permettant de conserver des informations sur de longues périodes.
+ Les réseaux antagonistes génératifs (Generative Adversarial Networks, GAN) sont composés de deux réseaux en compétition : un générateur et un discriminateur. Ils sont utilisés pour générer des données réalistes, comme des images ou du texte.

Dictionnaire Idées et méthodes