5. L'apprentissage des réseaux de neurones formels
L'apprentissage, pour les réseaux de neurones formels, consiste à calculer les paramètres de telle manière que les sorties du réseau de neurones soient, pour les exemples utilisés lors de l'apprentissage, aussi proches que possible des sorties « désirées », qui peuvent être le code de la classe à laquelle appartient la forme que l'on veut classer, la valeur de la fonction que l'on veut approcher ou celle de la sortie du processus que l'on veut modéliser, ou encore la sortie souhaitée du processus à commander. Les techniques d'apprentissage des réseaux de neurones formels sont des algorithmes d'optimisation : ils cherchent à minimiser l'écart entre les réponses réelles du réseau et les réponses désirées, en modifiant les paramètres par étapes (appelées « itérations ») successives. La sortie du réseau de neurones s'adapte de mieux en mieux aux données au fur et à mesure que l'apprentissage se déroule. Mais l'erreur commise par le réseau de neurones en fin d'apprentissage n'est pas nulle. En effet, on ne cherche ni à faire passer la courbe par tous les points de mesures (car ceux-ci sont entachés de bruit) ni à reproduire le bruit de mesure : on cherche au contraire à faire en sorte que l'erreur commise dans l'approximation effectuée par le réseau de neurones soit de l'ordre de grandeur du bruit qui affecte les mesures.
[…]… pour nos abonnés, l'article se prolonge sur 8 pages…
