chapitre1 - Chapitre 1 Introduction Les r´eseaux de...

Info iconThis preview shows pages 1–3. Sign up to view the full content.

View Full Document Right Arrow Icon

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: Chapitre 1 Introduction Les r´eseaux de neurones, fabriqu´es de structures cellulaires artificielles, constituent une ap- proche permettant d’aborder sous des angles nouveaux les probl`emes de perception, de m´emoire, d’apprentissage et de raisonnement. Ils s’av`erent aussi des alternatives tr`es prometteuses pour contourner certaines des limitations des ordinateurs classiques. Grˆace `a leur traitement parall`ele de l’information et `a leurs m´ecanismes inspir´es des cellules nerveuses (neurones), ils inf`erent des propri´et´es ´emergentes permettant de solutionner des probl`emes jadis qualifi´es de complexes. Nous aborderons dans ce cours les principales architectures de r´eseaux de neurones que l’on retrouve dans la litt´erature. Il ne s’agit pas de les ´etudier toutes, car elles sont trop nombreuses, mais plutˆot d’en comprendre les m´ecanismes internes fondamentaux et de savoir comment et quand les utiliser. En ce sens, nous mettrons autant l’emphase sur l’analyse math´ematique de ces r´eseaux que sur la fac ¸on de les utiliser dans la pratique pour r´esoudre des probl`emes concrets. Nous aborderons ´egalement certaines notions relatives aux ensembles flous et `a la logique dans la mesure o`u ces derniers sont incorpor´es dans certaines des architectures de r´eseaux de neurones que nous ´etudierons. Le reste de ce chapitre ´elabore davantage sur les objectifs poursuivis par ce cours, puis pr´esente un bref historique du domaine des r´eseaux de neurones avant de terminer par un survol de leurs diff´erentes applications. Le chapitre 2 introduit ensuite le mod`ele math´ematique du neurone artifi- ciel et ´etablit une notation coh´erente qui sera suivie tout au long des chapitres subs´equents. Le cha- pitre 3 effectue un certain nombre de rappels en alg`ebre lin´eaire, rappels qui seront forts utiles tout au long de cet ouvrage lorsque nous ´etudierons diff´erentes architectures de r´eseaux de neurones. Le chapitre 4 pr´esente quant `a lui la probl´ematique g´en´erale de l’apprentissage en d´ecrivant les princi- pales r`egles pouvant ˆetre utilis´ees ainsi que les diff´erents types d’approche. Ainsi, nous aborderons les notions de correction d’erreur, d’apprentissage hebbien, comp´etitif, supervis´e, non-supervis´e et, finalement, d’apprentissage par renforcement. Par la suite, nous ´etudierons en d´etails diff´erentes architectures de r´eseau de neurones dont le perceptron multicouche, le r´eseau de Kohonen, le « Gro- wing Neural Gas » (GNG), certains membres de la famille des r´eseaux ART ( « Adaptive Resonance Theory » ), le « Radial Basis Function » (RBF) et le « Support Vector Machine » (SVM). Nous trai- terons aussi de l’algorithme du « K-means » qui s’apparente au r´eseau de Kohonen, ainsi que de 1 2 CHAPITRE 1. INTRODUCTION l’analyse en composantes principales (ACP) via un apprentissage hebbien....
View Full Document

This note was uploaded on 10/10/2010 for the course GIF 7005 taught by Professor Gagne during the Spring '09 term at Université Laval.

Page1 / 4

chapitre1 - Chapitre 1 Introduction Les r´eseaux de...

This preview shows document pages 1 - 3. Sign up to view the full document.

View Full Document Right Arrow Icon
Ask a homework question - tutors are online