Next: Réseau de neurones et
Up: Que sont les réseaux
Previous: Structure d'interconnexion
L'apprentissage est vraisemblablement la propriété la plus intéressante des
réseaux neuronaux. Elle ne concerne cependant pas tous les modèles, mais les plus
utilisés.
Définition : L'apprentissage est une phase du développement d'un réseau de neurones
durant laquelle le comportement du réseau est modifié jusqu'à l'obtention du
comportement désiré. L'apprentissage neuronal fait appel à des exemples de
comportement.
Durant cette phase de fonctionnement, le réseau adapte sa structure (le plus
souvent, les poids des connexions) afin de fournir sur ses neurones de sortie les
valeurs désirées. Cet apprentissage nécessite des exemples désignés aussi sous
l'appellation d'échantillon d'apprentissage ainsi qu'un algorithme d'apprentissage.
Après initialisation des poids du réseau (en général des valeurs aléatoires), il y a
présentation des exemples au réseau et calcul des sorties correspondantes. Une
valeur d'erreur ou de correction est calculée et une correction des poids est
appliquée.
L'apprentissage est dit supervisé lorsque les exemples sont constitués de couples
de valeurs du type : (valeur d'entrée, valeur de sortie désirée). Tout le problème
de l'apprentissage supervisé consiste, étant donné un ensemble d'apprentissage E
de N couples (entrée-sortie désirée)
,
à déterminer le
vecteur des poids w d'un réseau Fw capable de mettre ces informations en
correspondance, c'est à dire un réseau tel que :
L'apprentissage est qualifié de non supervisé lorsque seules les valeurs d'entrée
sont disponibles. Dans ce cas, les exemples présentés à l'entrée provoquent une
auto-adaptation du réseau afin de produire des valeurs de sortie qui soient proches
en réponse à des valeurs d'entrée similaires.
Next: Réseau de neurones et
Up: Que sont les réseaux
Previous: Structure d'interconnexion
Yasmine yactine
1999-07-28