Conclusion

Dans différents domaines d'application, les RNA sont parfois considérés comme un outil magique. L'évolution la plus sensible de leur utilisation, inspirée de celle de l'analyse des données, concerne la possibilité de traiter non seulement des données quantitatives mais aussi des données qualitatives ainsi que des données temporelles.
Les défenseurs des RNA les présentent souvent comme une ``boîte noire'' qui permet d'explorer des données sans connaissance a priori du sujet traité. Cependant, si cette approche est possible, il faut souligner que le problème de l'optimisation du réseau, de façon à améliorer sa convergence, nécessite le plus souvent une adaptation de son architecture et, dans ce cas, une connaissance a priori du sujet est souvent souhaitable.
Les avantages de ces ``boîtes noires'' résident dans leur meilleure capacité prédictive issue de la meilleure représentation du phénomène (variables plus nombreuses, relations non linéaires), dans leur capacité d'adaptation et de généralisation au delà de l'échantillon étudié, dans leur absence d'hypothèses sur la distribution des variables (comme la normalité en régression linéaire par exemple) mais aussi dans leur respect de contraintes telles que des bornes [-1,1] ou [0,1] sur la variable à expliquer.
Mais il faut aussi noter la difficulté du choix des paramètres pour pouvoir obtenir la bonne convergence de l'algorithme mais aussi pour éviter le risque de sur-apprentissage du réseau.
Les réseaux de neurones, outils séduisants par leur conception radicalement différente, offrent des possibilités nouvelles déjà très appréciées dans des domaines scientifiques et techniques tels que : la reconnaissance des formes, le contrôle qualité, le traitement du signal. Ils fournissent aussi un outil utile dans l'aide à la décision et la prévision : credit scoring, prévision financière notamment.

Ce stage m'a permis de mettre en oeuvre une technique nouvelle qui est les réseaux de neurones mais aussi d'approfondir des méthodes statistiques vues pendant l'année universitaire.
La difficulté rencontrée au cours de ce stage fut de pouvoir mettre en oeuvre les réseaux neuronaux compte tenu du nombre de choix à effectuer (nombre de couches cachées, nombre de neurones par couche, fonction de transfert) et de leurs conséquences éventuelles sur la qualité des résultats. Il n'existe pas encore, à ma connaissance, de présentation claire des options et de leurs conséquences ce qui semble pourtant constituer une étape indispensable à une utilisation plus large des réseaux de neurones.