Algorithmes neuronaux 101

Algorithmes neuronaux

Un réseau de neurones biologiques (d’où proviennent les algorithmes neuronaux) fait référence aux éléments de traitement de l’information du système nerveux, organisés comme une collection de cellules neuronales, appelées neurones, qui sont interconnectées en réseaux et interagissent les uns avec les autres à l’aide de signaux électrochimiques. Un neurone biologique est généralement composé d’un axone qui fournit les signaux d’entrée et est connecté à d’autres neurones via des synapses. Le neurone réagit aux signaux d’entrée et peut produire un signal de sortie sur sa connexion de sortie appelé les dendrites.

Le domaine des réseaux ou algorithmes neuronaux artificiels (ANN) s’intéresse à l’étude de modèles informatiques inspirés des théories et à l’observation de la structure et de la fonction des réseaux biologiques de cellules neuronales dans le cerveau. Ils sont généralement conçus comme des modèles pour résoudre les problèmes mathématiques, informatiques et d’ingénierie. À ce titre, il existe de nombreuses recherches interdisciplinaires en mathématiques, en neurobiologie et en informatique.

Un réseau neuronal artificiel est généralement composé d’une collection de neurones artificiels qui sont interconnectés afin d’effectuer certains calculs sur les modèles d’entrée et de créer des modèles de sortie. Ce sont des systèmes adaptatifs capables de modifier leur structure interne, généralement les poids entre les nœuds du réseau, ce qui leur permet d’être utilisés pour une variété de problèmes d’approximation de fonctions tels que la classification, la régression, l’extraction de fonctionnalités.

Il existe de nombreux types de réseaux de neurones, dont beaucoup entrent dans l’une des deux catégories suivantes:

• Réseaux à action directe : où l’entrée est fournie d’un côté du réseau et les signaux sont propagés vers l’avant (dans une direction) à travers la structure du réseau de l’autre côté où les signaux de sortie sont lus. Ces réseaux peuvent être constitués d’une cellule, d’une couche ou de plusieurs couches de neurones. Quelques exemples incluent le Perceptron, les réseaux de fonctions à base radiale et les réseaux de perceptron multicouches.
• Réseaux récurrents : où les cycles dans le réseau sont autorisés et la structure peut être entièrement interconnectée. Les exemples incluent le réseau Hopfield et la mémoire associative bidirectionnelle.

Les structures artificielles du réseau de neurones sont constituées de nœuds et de poids qui nécessitent généralement une formation basée sur des échantillons de modèles d’un domaine problématique. Voici quelques exemples de stratégies d’apprentissage:

• Apprentissage supervisé : le réseau a une réponse attendue connue. L’état interne du réseau est modifié pour mieux correspondre au résultat attendu. Des exemples de cette méthode d’apprentissage comprennent l’algorithme de rétropropagation et la règle de Hebb.
• Apprentissage non supervisé : le réseau est exposé à des modèles d’entrée à partir desquels il doit discerner le sens et extraire des fonctionnalités. Le type d’apprentissage non supervisé le plus courant est l’apprentissage compétitif où les neurones se font concurrence en fonction du modèle d’entrée pour produire un modèle de sortie. Les exemples incluent le gaz neuronal, la quantification vectorielle d’apprentissage et la carte auto-organisatrice.

Les réseaux ou algorithmes neuronaux artificiels sont généralement difficiles à configurer et lents à former, mais une fois préparés, leur application est très rapide. Ils sont généralement utilisés pour les domaines de problèmes basés sur l’approximation des fonctions et appréciés pour leurs capacités de généralisation et de tolérance au bruit. Ils sont connus pour être une boite noire, ce qui signifie qu’il est difficile d’expliquer les décisions prises par le réseau.