Réseau De Neurones Artificiels (NN)
Le réseau neuronal artificiel (ANN) est également connu sous le nom de réseau neuronal (NN) ou réseau quasi-neural. Dans le domaine de l’apprentissage automatique et des sciences cognitives, il s’agit d’un modèle mathématique ou modèle informatique qui imite la structure et la fonction des réseaux neuronaux biologiques (le système nerveux central des animaux, en particulier le cerveau).Les réseaux neuronaux sont connectés informatiquement par un grand nombre de neurones artificiels. Il utilise des nœuds interconnectés, ou neurones, dans une structure hiérarchique similaire au cerveau humain. Il peut créer des systèmes adaptatifs que les ordinateurs utilisent pour apprendre de leurs erreurs et s’améliorer en permanence. Par conséquent, les réseaux neuronaux artificiels peuvent tenter de résoudre des problèmes complexes, comme résumer des documents avec plus de précision ou reconnaître des visages.
Importance des réseaux neuronaux
Les réseaux neuronaux peuvent aider les ordinateurs à prendre des décisions intelligentes avec une assistance humaine limitée. Parce qu’ils peuvent apprendre et modéliser des relations non linéaires et complexes entre les données d’entrée et de sortie.
Les réseaux neuronaux peuvent comprendre des données non structurées et effectuer des observations générales sans formation explicite. Par exemple, ils peuvent généralement reconnaître que Baxter Road est un nom de lieu, mais Baxter Smith est un nom de personne. Il est également possible de reconnaître deux phrases d’entrée différentes avec des significations similaires :
- Pourriez-vous me dire comment payer ?
- Comment transférer des fonds ?
Le réseau neuronal saura que ces deux phrases signifient la même chose.
Types de réseaux neuronaux
Les types de réseaux neuronaux peuvent être classés en fonction de la manière dont les données circulent des nœuds d’entrée vers les nœuds de sortie. Voici quelques exemples :
Réseau neuronal à propagation avant
Les réseaux neuronaux à propagation directe traitent les données de manière unidirectionnelle des nœuds d'entrée vers les nœuds de sortie, chaque nœud d'une couche étant connecté à chaque nœud de la couche suivante. Les réseaux à rétroaction directe utilisent un processus de rétroaction pour améliorer les prévisions au fil du temps.
Algorithme de rétropropagation
Les réseaux de neurones artificiels apprennent en continu en utilisant une boucle de rétroaction corrective pour améliorer leur analyse prédictive. En termes simples, les données peuvent être considérées comme circulant des nœuds d’entrée vers les nœuds de sortie via de nombreux chemins différents dans un réseau neuronal. Mais il n’existe qu’un seul chemin qui peut mapper un nœud d’entrée au nœud de sortie correct. Pour trouver ce chemin, le réseau neuronal utilisera une boucle de rétroaction, qui fonctionne comme ceci :
- Chaque nœud fait une supposition sur le nœud suivant dans le chemin.
- Il vérifie si la supposition est correcte. Le nœud attribuera des valeurs de pondération plus élevées aux chemins qui conduisent à des suppositions plus correctes et des valeurs de pondération plus faibles aux chemins de nœud qui conduisent à des suppositions incorrectes.
- Pour le point de données suivant, le nœud effectue une nouvelle prédiction en utilisant le chemin pondéré le plus élevé et répète l’étape 1.
Réseaux de neurones convolutifs
Les couches cachées d'un réseau neuronal convolutif exécutent des fonctions mathématiques spécifiques (telles que la synthèse ou le filtrage) appelées convolutions. Ils sont très utiles pour la classification des images car ils peuvent extraire des caractéristiques pertinentes des images qui sont utiles pour la reconnaissance et la classification des images. Ce nouveau formulaire est plus facile à traiter sans perdre les fonctionnalités essentielles pour faire de bonnes prédictions. Chaque couche cachée extrait et traite différentes caractéristiques de l'image, telles que les bords, les couleurs et la profondeur.
Références
【2】https://aws.amazon.com/cn/what-is/neural-network/?nc1=h_ls