Les différents types de réseaux de neurones : réseau de neurones artificiels

Les différents types de réseaux de neurones : réseau de neurones artificiels

Nous avons vu à plusieurs reprises les progrès fascinants de l'Intelligence Artificielle. Mais cela peut sembler abstrait de se représenter comment ça fonctionne.

Tout comme nous utilisons dans théorèmes mathématiques différents en fonction du problème posé, nous utilisons des algorithmes différents en fonction des valeurs que nous voulons trouver. En effet, chaque réseau neuronal ont des "facilités".

Nous allons voir dans les prochains articles, trois types de réseaux. Les réseaux de neurones artificiels sont efficaces pour faire des prédictions et apprendre tout seul (je vais l'expliquer plus bas). Les réseaux convolutionnels sont efficaces pour la reconnaissance d'image. Les réseaux de carte auto-adaptative (SOM) sont efficaces dans la visualisation des data.

Les réseaux neurones artificiels

L'utilisation du terme "réseau de neurone" s'apparente au réseau de neurone biologique que nous essayons d'imiter informatiquement.

Ceci est un neurone naturel

Neurone-naturel
Neurone-naturel

Nous représentons calmement un neurone comme celui-ci de cette manière :

neurone-schéma
neurone-schéma

Pourtant, ce schéma est d'une simplification déconcertante. En effet, si nous zoomons uniquement sur les "terminal buttons", le bout des axones tout en bas du schéma, nous verrons ce genre de chose opérer :

terminal button
terminal button

Et encore, ceci est une version simplifiée... Mère Nature est bien plus complexe.

On parle de "réseau", signifie que les neurones (biologiques) se connectent entres eux. Dès lors, le réseau de neurones artificiels seront connectés entre eux également.

Réseau artificiel comment ça marche ?

Revenons à nos neurones artificiels. J'ai dit plus haut que nous les utilisons pour faire des prédictions et aussi apprendre tout seul. Prenons le cas d'un réseau qui pourrait déduire le prix d'un bien immobilier.

Nous allons utiliser la data que la régie immobilière possède et ainsi faire des prédictions dans le cas où un nouveau bien sera mis à disposition de la clientèle.

Pour la base, le sens de lecture est de gauche à droite. Et le sens des flèches correspond aux flux d'informations.

Comment-fonctionne-res-neurones-artificiels-1

Nous avons une couche d'entrée sur la gauche, qui sont les informations communiquées et nous avons notre "y" qui est la valeur réelle. Le "y" est issu de "l'addition" des informations présentées dans la couche d'entrée. Les flèches bleues sont l'équivalent des "synapses cérébrales" et elles possèdent toutes un "poid" en fonction de leur information.

Comment-fonctionne-res-neurones-artificiels-2

Nous venons d'ajouter une couche cachée composé de 5 neurones. Pour le premier neurone, lui, il va regarder les informations X1 et X3 et ne pas prendre en compte les informations de X2 et X4. Et ainsi, chaque neurone va prendre des informations et faire des "calculs".

On le sait, un bien qui s’éloigne du centre est plus grand pour le même prix qu’un bien au centre-ville et plus petit. Il va dès lors regarder l’inverse, des biens avec une grande surface au plus petit prix au centre-ville.

Comment-fonctionne-res-neurones-artificiels-3

Chaque neurone va ainsi déterminer des cas de figure différent en fonction des data que nous lui avons soumis.

Comment un neurone va donner une information

Sans entrer dans les détails mathématique, la fonction redresseur est une fonction qui permet à un neurone de donnée une information ou non.

Comment-fonctionne-res-neurones-artificiels-4

Pour le cas du neurone numéro 5 (tout en bas), lui il regarde uniquement l'âge du bien. Une fonction redresseur est comme un interrupteur ON/OFF. Il existe plein d'autre fonction d'activation mais je n'entrerai pas dans les détails pour cet article.

Ainsi, si nous faisons une recherche d'un bien qui à plus de 50 ans, alors ce neurone laissera passer l'information si le bien à plus de 50 ans ou non bloquera l'information si le bien à moins de 50 ans.

Comment-fonctionne-res-neurones-artificiels-5

Tous les neurones auront donc des spécialités, ils comprendront des particularités dans les bases de données. Ils vont aussi donner du poids ou pas dans leur décision. Le neurone de sortie va donc sortir le prix du bien immobilier.

Comment peut-il apprendre ?

Un réseau comme on vient de le voir ne permet d'apprendre, dans le sens où il peut s'améliorer. En effet, ici, nous ne pouvons pas savoir si la valeur de y est juste ou non.

C'est la raison pour laquelle le perceptron a été crée. Dans le sens où le réseau va pouvoir s'auto-ajuster, au niveau de poids (synapses) de manière autonome. Oui c'est incroyable !

Comment-fonctionne-res-neurones-artificiels-6

Pour la représentation, nous allons intégrer ce calcul mathématique dans tous les neurones (au lieu de récrire cette équation dans toutes les bulles vertes, j'en ai fait une grande ok). Maintenant on voit deux neurones de sorties, y et ^y (dire y chapeau). En fait, en math, "y" est toujours la valeur réelle, et ^y est la valeur de prédiction.

Comment faire pour que le réseau s’entraîne et s'améliore ?

Comment-fonctionne-res-neurones-artificiels-7

Comment savoir si la prédiction est juste ? On situe « y chapeau » sur un graphique avec « y ». On compare les deux valeurs avec une « valeur de coût » C = ½ (^y-y)² et cette valeur va être réinjectée dans le neurone qui procède au calcul et va, par lui-même, ajuster les poids des synapses. Le poids uniquement car les valeur X sont figées et la fonction d’activation aussi. Seuls les poids des synapses sont des variables.

En d'autres termes, avec le jeu de donnée que la machine a, elle va faire en sorte que sa valeur ^y soit le plus proche de y.

Cette méthode a plusieurs incidences dont je ne vais entrer dans les détails. Mais pour conclure je peux parler de l'overfitting (ou surapprentissage). C'est exactement comme toi à l'école, si tu fais plusieurs fois exactement le même exercice. Tu vas trouver les réponses sans chercher, car tu connais l'ordre et les réponses. La machine c'est pareil, si elle apprend "trop" à partir de son jeu de données, elle va comprendre très bien... son jeu de donnée ! Si on lui donne des nouvelles données, elle ne va pas s'adapter, exactement au même titre que toi enfant, si on change l'énoncé de l'exercice tu te retrouves avec une nouvelle difficulté.

C'est terminé pour cet article sur les réseaux de neurones artificiels, le prochain article sera sur les réseaux de convolution. 

 

 

Comments are closed.
%d blogueurs aiment cette page :