RÉSEAUX DE NEURONES

Carte mentale

Élargissez votre recherche dans Universalis

Réseaux de neurones et régression non linéaire

Dans la pratique, on n'utilise pas les réseaux de neurones pour réaliser des approximations de fonctions connues. Le plus souvent, le problème qui se pose à l'ingénieur est le suivant : il dispose d'un ensemble de mesures des variables d'un processus de nature quelconque (physique, chimique, biologique, économique, financier...), ainsi que de mesures du résultat de ce processus ; il suppose qu'il existe une relation déterministe entre ces variables et ce résultat, et il cherche une forme mathématique de cette relation, valable dans le domaine où les mesures ont été effectuées ; celles-ci sont en nombre fini, elles sont certainement entachées de bruit, et toutes les variables qui déterminent le résultat du processus ne sont pas forcément mesurées. En d'autres termes, l'ingénieur cherche à élaborer un « modèle » du processus qu'il étudie, à partir des mesures dont il dispose.

En quoi la propriété d'approximation parcimonieuse peut-elle être utile pour résoudre ce genre de problèmes ? Ce que l'ingénieur cherche à obtenir à l'aide de son modèle, c'est la fonction qui relie la grandeur yp que l'on veut modéliser aux variables {x} qui la déterminent, c'est-à-dire la fonction que l'on obtiendrait en faisant une infinité de mesures de yp pour chaque valeur possible de {x} : en termes de statistiques, l'ingénieur cherche la « fonction de régression » de la grandeur yp à modéliser. Cette fonction est inconnue, mais on peut en chercher une approximation à partir des mesures disponibles : les réseaux de neurones sont donc de bons candidats pour cela, si la fonction de régression cherchée est non linéaire.

Fonction de régression d'un processus à une variable

Dessin : Fonction de régression d'un processus à une variable

Approximation de la fonction de régression de la sortie Yp d'un processus à une variable x, obtenue avec un réseau de neurones après apprentissage. Les croix correspondent aux valeurs de Yp mesurées sur le processus à modéliser (source : NETRAL S.A.). 

Crédits : Encyclopædia Universalis France

Afficher

L'approximation est obtenue en estimant les paramètres d'un réseau de neurones au cours de la phase d'apprentissage. C'est là que la propriété d'approximation parcimonieuse des réseaux de neurones est précieuse : en effet, le nombre de mesures nécessaires pour estimer les paramètres de manière significative est d'autant plus grand que le nombre de paramètres est lui-même élevé. Comme les réseaux de neurones sont parcimonieux, ils nécessitent, pour une même précision, moins de paramètres, donc moins de données, que les approximateurs usuels ; un réseau de neurones permet donc, à partir de la même quantité de données, de réaliser une approximation plus précise.

Les quatre grandes familles d'application des réseaux de neurones, découlant naturellement de leur propriété fondamentale, sont :

– la régression non linéaire ou modélisation statique de données ;

– la modélisation dynamique de processus non linéaires ;

– la commande de processus ;

– la classification.

1  2  3  4  5
pour nos abonnés,
l’article se compose de 8 pages

Médias de l’article

Représentation graphique

Représentation graphique
Crédits : Encyclopædia Universalis France

dessin

Neurone à fonction sigmoïde

Neurone à fonction sigmoïde
Crédits : Encyclopædia Universalis France

dessin

Réseau non bouclé

Réseau non bouclé
Crédits : Encyclopædia Universalis France

dessin

Réseau bouclé et sa forme canonique

Réseau bouclé et sa forme canonique
Crédits : Encyclopædia Universalis France

diaporama

Afficher les 7 médias de l'article


Écrit par :

Classification

Autres références

«  RÉSEAUX DE NEURONES  » est également traité dans :

RÉSEAUX DE NEURONES (biologie)

  • Écrit par 
  • Jean-Gaël BARBARA
  •  • 2 495 mots
  •  • 3 médias

Dans la recherche neurobiologique contemporaine, on assigne de plus en plus fréquemment à de petits groupes de quelques dizaines de neurones interconnectés des fonctions critiques dans l’élaboration d’un mouvement, d’une perception, ou d’un apprentissage. Ces petits ensembles matériels et fonctionnels de cellules sont nommés réseaux de neurones – à ne pas […] Lire la suite

ANTHROPOLOGIE COGNITIVE

  • Écrit par 
  • Arnaud HALLOY
  •  • 5 804 mots

Dans le chapitre « Le connexionnisme »  : […] L’émergence des modèles connexionnistes dans le courant des années 1980 est venu renforcer la réalité psychologique des schémas et modèles culturels en leur conférant une réalité neurophysiologique. Très succinctement, les modèles connexionnistes décrivent les phénomènes mentaux et comportementaux comme le produit émergeant d’activation et de création de réseaux de neurones. Ils se distinguent ai […] Lire la suite

APPRENTISSAGE PROFOND ou DEEP LEARNING

  • Écrit par 
  • Jean-Gabriel GANASCIA
  •  • 2 649 mots
  •  • 1 média

Dans le chapitre « Différents types d’apprentissage machine »  : […] On distingue usuellement au moins trois types d’apprentissage machine : l’apprentissage par renforcement, l’apprentissage supervisé et l’apprentissage non supervisé. L’apprentissage par renforcement suppose que, lors de ses pérégrinations, un agent (entité qui agit de façon autonome) reçoit des récompenses ou des punitions en fonction des actions qu’il exécute. Il s’agit alors d’établir automatiq […] Lire la suite

AUTOMATISATION

  • Écrit par 
  • Jean VAN DEN BROEK D'OBRENAN
  •  • 11 887 mots
  •  • 12 médias

Dans le chapitre « Réseaux de neurones »  : […] Alors que l'automatique linéaire traite efficacement des processus dynamiques linéaires que l'on peut décrire notamment par des équations différentielles, alors que la logique floue est dédiée aux processus que l'on ne sait décrire que par une expertise linguistique imprécise, les réseaux de neurones ont pour objectif la modélisation et la commande de processus dynamiques non linéaires. En pratiqu […] Lire la suite

AUTO-ORGANISATION

  • Écrit par 
  • Henri ATLAN
  •  • 6 239 mots
  •  • 1 média

Dans le chapitre « Auto-organisation au sens faible »  : […] Des exemples d'auto-organisation au sens faible sont fournis par la plupart des applications du calcul par réseaux neuronaux aux techniques d' intelligence artificielle destinées à fabriquer des machines à apprendre et à mémoire distributive (cf. F. Fogelman-Soulié, 1991 ; T. Kohonen). Ce calcul est effectué en parallèle par un grand nombre d'unités, dites neurones formels, qui effectuent chacun […] Lire la suite

CERVEAU ET BILINGUISME

  • Écrit par 
  • Jean-Marie ANNONI
  •  • 802 mots
  •  • 1 média

Dans le chapitre « Représentation des langues dans le cerveau bilingue »  : […] D’une manière générale, les études actuelles suggèrent que la première et la seconde langue (L 1 et L 2) partagent un réseau neuronal commun à environ 80 p. 100. Ce recouvrement s’applique particulièrement au cas de sujets bilingues naturels, c’est-à-dire ceux qui ont appris les deux langues dans la petite enfance, lorsque les deux langues sont morphologiquement proches. Mais, d’autres cas de fig […] Lire la suite

CERVEAU ET MUSIQUE

  • Écrit par 
  • Séverine SAMSON
  •  • 1 025 mots

Identifier les zones du cerveau qui traitent la musique et préciser leur rôle respectif dans la perception, la mémoire, les émotions et la pratique musicale font l’objet de nombreux travaux en neuroscience de la musique. C’est à partir de l’observation des patients présentant des lésions cérébrales et des études en neuro-imagerie que les scientifiques ont réussi à apporter des preuves solides con […] Lire la suite

COGNITIVES SCIENCES

  • Écrit par 
  • Daniel ANDLER
  •  • 19 242 mots
  •  • 4 médias

Dans le chapitre « Le connexionnisme »  : […] Le connexionnisme se présente quant à lui comme un ensemble de méthodes de modélisation et de simulation de toute une variété de processus cognitifs ; et c'est en cherchant à dégager les traits communs à ces méthodes, et les avantages qu'elles présentent sur les méthodes classiques, que les connexionnistes ont commencé à élaborer une doctrine. À cet égard, leur parcours n'est pas sans rappeler c […] Lire la suite

INTELLIGENCE ARTIFICIELLE (IA)

  • Écrit par 
  • Jean-Gabriel GANASCIA
  •  • 5 076 mots
  •  • 5 médias

Dans le chapitre « Les précurseurs  »  : […] Cette discipline scientifique qu’est l’intelligence artificielle ne surgit pas de nulle part. Elle a emboîté le pas à la cybernétique, science des systèmes complexes et de leur commande, fondée dans les années 1940 et particulièrement active au début des années 1950. Celle-ci aspirait à modéliser la régulation des systèmes biologiques, psychiques, politiques ou sociaux avec des flux d’information […] Lire la suite

ACQUISITION DU LANGAGE CHEZ LES MALENTENDANTS

  • Écrit par 
  • Jacqueline LEYBAERT
  •  • 2 561 mots
  •  • 1 média

Dans le chapitre « Composantes amodales du traitement cérébral et plasticité neuronale »  : […] Depuis la fin des années 1990, une série d’études a montré que la modalité (signée ou parlée) a relativement peu d’impact sur les systèmes neuraux qui soutiennent les traitements phonologique, sémantique et syntaxique. La mise en évidence de réseaux neuronaux similaires dans une tâche de jugement phonologique en LP (juger si les noms de deux dessins riment) et en LS (juger si les signes correspon […] Lire la suite

Voir aussi

Pour citer l’article

Gérard DREYFUS, « RÉSEAUX DE NEURONES », Encyclopædia Universalis [en ligne], consulté le 22 janvier 2022. URL : https://www.universalis.fr/encyclopedie/reseaux-de-neurones-formels/