Les fondements du machine learning

Appréhender les réseaux de neurones

TESTEZ LINKEDIN LEARNING GRATUITEMENT ET SANS ENGAGEMENT

Tester maintenant Afficher tous les abonnements
Initiez-vous au concept et au vocabulaire des réseaux de neurones, définis comme des ensembles d'algorithmes inspirés à la fois des neurones biologiques et des méthodes statistiques.
04:38

Transcription

Toujours dans les algorithmes divers, nous allons maintenant introduire les concepts généraux concernant les non moins fameux réseaux de neurones. Alors, ces réseaux de neurones, ils ont été imaginés au début des années 1950, donc avant le machine learning et le deep learning. Et ce n'est que depuis une dizaine d'années que les réseaux de neurones artificiels ont connu des cas d'applications relatifs au monde des affaires et de l'industrie. Au niveau des applications majeures que l'on a pour l'industrie, c'est la reconnaissance de formes, qui permet par exemple aux camions, aux drônes, aux voitures, de s'auto-piloter, mais pas que, également dans la sécurité par caméras dans les villes. On a également des applications dans le traitement du signal, par exemple ne serait-ce que dans le fait de détecter des signaux dans le domaine de la finance, avec des tendances. On a également dans le domaine de la prise de décisions. On a des prévisions financières, par rapport à ce qui se dit sur les réseaux sociaux et dans la presse, vu que maintenant, les financiers peuvent analyser tous les journaux qu'ils publient numériquement sur internet. Et également, un domaine qui est peut-être très connu par certains d'entre vous, il s'agit des jeux vidéo. Donc, pour information, le fonctionnement d'un réseau de neurones artificiels s'est inspiré des réseaux de neurones biologiques, tels qu'un cerveau. Le cerveau humain aurait environ 100 milliards de neurones qui communiquent par des signaux électrochimiques. Les neurones sont connectés par des jonctions, appelées synapses. Chaque neurone est relié, par des milliers de connexions, avec d'autres neurones. Nous recevons constamment des signaux entrants pour atteindre le corps de la cellule. Si la somme des signaux dépasse un certain seuil, une réponse est envoyée par ce qu'on appelle l'axone. Maintenant, l'ANN, donc l'Artificial Neural Network, c'est, entre guillemets, assez évident qu'il a pour objectif de répliquer le fonctionnement des réseaux de neurones biologiques. Bon, bien qu'ils en soient encore très loin, les informaticiens de notre époque, surtout faute de puissance de calculs, et surtout aussi eu égard à la complexité du réseau de neurones biologiques que l'on a chez nous, l'humain, eh bien on avance graduellement, et puis, au fur et à mesure qu'on maîtrise les biotechnologies et l'informatique quantique, il y a de fortes chances, évidemment, qu'on y arrive. Maintenant, les réseaux de neurones sont devenus, en termes informatiques, le fondement même de l'industrie de l'intelligence artificielle, avec des domaines d'application très variés, comme je l'ai déjà mentionné. Ce qu'il faut savoir, c'est que, informatiquement et techniquement, le neurone, appelé également parfois simplement unité, c'est la composante de base d'un réseau de neurones. Et le modèle neuronal le plus populaire en informatique, parce que c'est celui avec lequel on commence souvent à étudier la mathématique des réseaux de neurones, c'est un réseau de neurones qu'on appelle le modèle McCulloch-Pitts. Il y a une manière plus simple de le nommer, c'est de l'appeler M-P model. Alors, ce modèle s'illustre, comme vous pouvez le voir sur votre écran, c'est à dire : on a des valeurs d'entrée dans notre nerone, donc imaginez que, par exemple, si on fait une analogie avec l'humain, c'est les signaux visuels, donc les ondes électromagnétiques qui gèrent ce qu'on appelle communément la lumière de notre environnement. Ensuite, les bâtonnets de nos yeux vont transformer ces différentes longueurs d'onde qui, on va dire, créent des pulsations sous forme de signaux biochimiques, en leur associant éventuellement des poids. Donc ça, c'est le rôle, entre autres, de certaines zones de notre cerveau. Ensuite, l'idée c'est qu'on a les synapses qui vont combiner tout ceci. Donc à ce moment-là, on passe par une fonction de combinaisons. On peut faire une somme pondérée, typiquement, c'est la fonction de combinaisons la plus classique. Et ensuite, pour dire qu'il y a tel ou tel résultat, c'est ce dont on avait parlé avant, c'est cette fameuse récompense, eh bien on fait passer cette somme pondérée par une fonction d'activation, qui est typiquement une sigmoïde. On peut des fois ajouter une constante à la fonction d'activation ou, si vous préférez, à la fonction de récompense, et finalement, ça sort un signal d'activation. Voilà, c'est un petit peu l'idée, et il existe plusieurs architectures de réseaux de neurones. On va parler de quelques-unes très brièvement et succinctement.

Les fondements du machine learning

Acquérez les bases du vocabulaire lié au machine learning. Découvrez les outils fondamentaux avec les idées, applications et concepts mathématiques sous-jacents à chacun.

3h04 (33 vidéos)
Aucun commentaire n´est disponible actuellement
Spécial abonnés
Date de parution :21 déc. 2017

Votre formation est disponible en ligne avec option de téléchargement. Bonne nouvelle : vous ne devez pas choisir entre les deux. Dès que vous achetez une formation, vous disposez des deux options de consultation !

Le téléchargement vous permet de consulter la formation hors ligne et offre une interface plus conviviale. Si vous travaillez sur différents ordinateurs ou que vous ne voulez pas regarder la formation en une seule fois, connectez-vous sur cette page pour consulter en ligne les vidéos de la formation. Nous vous souhaitons un excellent apprentissage avec cette formation vidéo.

N'hésitez pas à nous contacter si vous avez des questions !