Deep Learning Intelligence Artificielle Non classé

Qu’est-ce qu’un réseau de neurone ?

Qu’est-ce qu’un réseau de neurone ?

⌚: 7 minutes

Un réseau neuronal est un ensemble de neurones qui prennent des informations en entrée et, en conjonction avec des informations provenant d’autres nœuds, développent des sorties sans règles programmées. Essentiellement, ils résolvent les problèmes par essais et erreurs.

Les réseaux neuronaux sont basés sur des cerveaux humains et animaux. Si les réseaux neuronaux sont suffisamment avancés pour battre des adversaires humains à des jeux comme les échecs et le Go, ils n’ont pas encore de capacités cognitives.

Éléments des réseaux neuronaux

Un réseau neuronal est constitué de nœuds de traitement fortement connectés, semblables aux neurones du cerveau. Chaque nœud peut être connecté à différents nœuds en plusieurs couches au-dessus et au-dessous de lui. Ces nœuds déplacent les données à travers le réseau de manière anticipée, ce qui signifie que les données ne se déplacent que dans une seule direction. Le nœud « s’allume » comme un neurone lorsqu’il transmet des informations au nœud suivant.

Un réseau neuronal simple comporte une couche d’entrée, une couche de sortie et une couche cachée entre elles. Un réseau comportant plus de trois couches, y compris l’entrée et la sortie, est connu sous le nom de réseau d’apprentissage profond (deep learning). Dans un réseau d’apprentissage profond, chaque couche de nœuds s’entraîne sur des données basées sur la sortie de la couche précédente. Plus il y a de couches, plus la capacité à reconnaître des informations plus complexes – basées sur les données des couches précédentes – est grande.

Le réseau prend des décisions en attribuant à chaque nœud connecté un nombre appelé « poids ». Le poids représente la valeur de l’information attribuée à un nœud individuel (c’est-à-dire son utilité pour classer correctement l’information). Lorsqu’un nœud reçoit des informations d’autres nœuds, il calcule le poids ou la valeur totale de ces informations. Si le nombre dépasse un certain seuil, l’information est transmise à la couche suivante. Si le poids est inférieur au seuil, l’information n’est pas transmise.

Dans un réseau neuronal nouvellement formé, tous les poids et seuils sont fixés à des nombres aléatoires. Au fur et à mesure que les données d’apprentissage sont introduites dans la couche d’entrée, les poids et les seuils s’affinent pour produire des sorties correctes de manière constante.

Comment fonctionne un réseau de neurones ?

Qu’il soit biologique ou artificiel, le pouvoir d’un réseau neuronal provient de la façon dont des neurones simples sont reliés pour former un système complexe plus grand que la somme de ses parties.

Chaque neurone peut prendre des décisions simples basées sur des calculs mathématiques. Ensemble, de nombreux neurones peuvent analyser des problèmes complexes et fournir des réponses précises. Un réseau peu profond est composé d’une couche d’entrée, d’une couche cachée et d’une couche de sortie. Un réseau neuronal profond possède plus d’une couche cachée, ce qui augmente la complexité des problèmes qu’il peut analyser.

Un réseau neuronal apprend à accomplir une tâche en examinant des exemples de formation étiquetés. Les échantillons doivent être étiquetés pour que le réseau puisse apprendre à distinguer les éléments à l’aide de motifs visuels corrélés aux étiquettes.

Un réseau neuronal a trois fonctions :

  • Saisie de la notation
  • Calcul de la perte
  • Mise à jour du modèle, qui relance le processus

Un réseau neuronal est une boucle de rétroaction corrective, qui donne plus de poids aux données qui permettent de faire des suppositions correctes et moins de poids aux données qui conduisent à des erreurs. Une caractéristique connue sous le nom de rétropropagation entraîne le réseau à identifier les réponses correctes et à ignorer les réponses incorrectes.

Quelques exemples concrets

Les réseaux neuronaux sont principalement utilisés pour classer et regrouper des données brutes, non étiquetées, du monde réel. Ils travaillent dans les coulisses de technologies familières telles que la comparaison d’images en ligne ou les outils de prise de décision financière pour les grandes entreprises. Un réseau neuronal peut également rechercher des modèles dans les historiques de navigation sur le web afin d’élaborer des recommandations pour les utilisateurs.

Classification

Les réseaux neuronaux excellent généralement dans les tâches de classification, qui nécessitent des ensembles de données étiquetés pour l’apprentissage supervisé.

Par exemple, les réseaux neuronaux peuvent trouver des motifs visuels dans des milliers de photos et appliquer des étiquettes de manière cohérente et rapide. Grâce à la formation, ils deviennent capables de résoudre des problèmes complexes et déroutants. Le spécialiste des données n’a pas besoin de programmer le réseau neuronal avec des caractéristiques permettant de distinguer les chiens des chats ; le réseau neuronal apprend à distinguer lui-même les caractéristiques les plus importantes.

Un réseau neuronal peut apprendre à classer n’importe quelle donnée avec une étiquette qui correspond aux informations que le réseau peut analyser.

Regroupement

S’ils excellent dans l’identification des différences, les réseaux neuronaux fonctionnent également bien pour la mise en grappe ou la détection des similitudes. Un réseau neural d’apprentissage peut analyser des millions de points de données et les regrouper en fonction de leurs similitudes. Cela peut s’appliquer à des images, des courriels, des messages vocaux ou des articles de presse.

Cette capacité est également utile pour identifier les anomalies ou les choses qui ne correspondent pas aux caractéristiques du groupe. Par exemple, le regroupement est utilisé pour identifier des comportements inhabituels – comme la fraude – en identifiant les données qui ne correspondent pas aux actions les plus courantes.

Analyse prédictive : Régressions

La classification et le regroupement créent une prédiction statique, telle qu’une image en corrélation avec l’étiquette d’un chien. Cette identification ne changera pas avec le temps. L’analyse de régression donne aux réseaux neuronaux le pouvoir de prédire les états futurs sur la base d’événements passés. Un événement futur ne devient qu’un point de données supplémentaire.

Par exemple, le réseau neuronal est capable de lire une chaîne de nombres et de prédire le prochain nombre le plus susceptible de se produire. Il peut appliquer la même analyse à des événements plus complexes, tels que la prédiction du moment où un client peut quitter un magasin ou du moment où une pièce d’équipement de fabrication est susceptible de tomber en panne.

L’analyse de régression constitue la base de l’analyse prédictive. En utilisant l’analyse de régression, un spécialiste des données peut modéliser la relation entre une variable dépendante (le résultat) et une ou plusieurs variables indépendantes (l’entrée). L’analyse de régression révélera toute relation significative entre les variables indépendantes et la variable dépendante, ainsi que la force ou le poids de cet impact. En d’autres termes, lorsque les variables indépendantes changent, de combien et de quelle manière la variable dépendante change-t-elle ?

Un réseau neuronal de base utilise la régression linéaire pour gérer une entrée et une sortie. La régression linéaire multiple entre en jeu avec de nombreuses variables d’entrée. Dans ce cas, chaque nœud du réseau effectue une régression linéaire multiple, en pesant chaque point de données au fur et à mesure qu’il se déplace dans les couches. Le réseau teste les entrées en essayant de réduire les erreurs.

Chaque nœud agit comme un commutateur pour permettre ou bloquer l’entrée des nœuds qui l’entourent à travers le réseau. La régression non linéaire déplace l’entrée à travers le réseau jusqu’à ce qu’elle atteigne la dernière couche du réseau.

Les réseaux neuronaux utilisent des techniques telles que la descente de gradient et la rétropropagation pour affiner leurs algorithmes et trouver le modèle optimal pour la régression.

Application des réseaux neuronaux

Les réseaux neuronaux font partie intégrante du développement de l’apprentissage machine et des applications de l’intelligence artificielle. À ce stade, ils n’approchent pas les capacités cognitives d’un enfant de 4 ans. Mais ils sont utilisés pour la conduite automobile, la reconnaissance faciale, la traduction des langues et même pour des projets artistiques tels que la création de nouvelles couleurs.

La croissance de l’intelligence artificielle a été alimentée par la baisse du coût du Cloud computing et des unités de traitement graphique pour gérer le flux d’images destinées à la formation. La disponibilité généralisée d’images et d’autres données déjà étiquetées rend la formation plus facile et plus rapide.

Les capacités de classification, de regroupement et de prise de décisions prédictives ont stimulé l’intégration des réseaux neuronaux dans la recherche scientifique, la publicité, le commerce électronique, le service à la clientèle, la maintenance préventive et de nombreuses autres disciplines. Les réseaux neuronaux scannent les images du ciel nocturne à la recherche de nouveaux détails astronomiques. Les filtres de messagerie séparent intelligemment les courriels et les messages vocaux utiles et non désirés. Associé à des capteurs IoT (internet of things), un système d’analyse prédictive peut prévoir quand une pompe hydraulique d’une machine de fabrication devra être réparée avant de tomber en panne.

Ecrire un commentaire