[en bref] fonctionnement des réseaux de neurone

Un réseau de neurone tel que l’on sait le faire à l’heure actuel est constitué d’objet et de connexion. Ces objets sont liés entre eux par des connexions. 

[Fig. 1 – Schéma définition des objets/connexions]

Objet (neurone) : Capable de mémorisé une valeur, puis de la travailler
Connexion : Lien entre les objets (Transition des données entre les entrées/sorties)
La base du réseau de neurone est constituée de 2 étages (couches), la couche d’entrées et la couche de sortie, et peut être agrémenté d’un nombre illimité de couche intermédiaire servant pour les opérations de calcul.

[Fig. 2 – Schéma définitions des E/S]

Le plus important est de définir la manière dont les objets (neurones) vont calculer la valeur qu’il mémorise. Les connexions quant à elles peuvent transiter tout type d’information (valeur, poids, boolean, etc…) tant que l’objet de la couche suivante accepte la donnée.

Il est donc important pour pouvoir parler de réseau de neurone de définir le périmètre de ceux-ci, ainsi que leurs données d’entrées/sorties. De plus il est aussi important de définir la topologie du réseau qui permettra de définir quel lien il y a entre les différents objets des différentes couches.

La topologie la plus utilisé est la mieux métrisé à ce jour est la topologie feedforward qui est une topologie qui n’as pas de cycle, c’est un donc une topologie par couche, ou les neurones sont reliée étage par étage.

L’avantage des réseaux de neurone est qu’ils sont modelable dans notre exemple ci-dessous nous avons assignés des poids aux connexions ce qui permet de pouvoir ajuster le système et de pouvoir vérifier que le nouveau réseau obtenu réalise mieux la tâche que le précédent.

 [Fig. 3 - Exemple]