• Les réseaux de neurones, inspirés du cerveau humain, désignent un type d'architecture informatique basée sur un modèle de fonctionnement du cerveau humain.
  • Ils fonctionnent grâce à des couches, notamment d'entrée, cachées et de sortie, facilitant l'apprentissage et la prédiction.
  • Les types de réseaux de neurones incluent les réseaux à propagation avant, où les données se déplacent linéairement; la rétropropagation, qui affine les prédictions par rétroaction continue; et les réseaux convolutifs, adaptés à l'analyse d'images comme la reconnaissance d'images par IA.

NOTRE AVIS
Les réseaux de neurones, bien qu'apparemment éloignés de notre vie quotidienne, s'y intègrent de manière imperceptible. Ils nous permettent de nous immerger dans un contenu adapté à nos intérêts, tout en nous permettant d'interagir facilement avec des assistants virtuels comme Siri. C'est pourquoi promouvoir leur compréhension nous permet de mieux utiliser leurs capacités pour enrichir nos vies.
–Audrey Huang, journaliste BTW

L'article présente la définition, les principes de fonctionnement et les types de réseaux de neurones.

Que sont les réseaux de neurones ?

Un réseau de neurones, ou réseau de neurones artificiel, est un type d'architecture informatique basée sur un modèle de fonctionnement du cerveau humain. Les réseaux de neurones se composent d'un ensemble d'unités de traitement appelées « nœuds ». Ces nœuds se transmettent des données, tout comme dans un cerveau, les neurones se transmettent des impulsions électriques. Les réseaux sont utilisés dans l'apprentissage automatique, un type de programme informatique qui acquiert des connaissances sans instructions précises.

Lire aussi: Réseaux sans fil privés: propriété, spectre et utilisations

Lire aussi: Lignes dédiées Ethernet vs réseaux sans fil

Comment fonctionnent-ils ?

Les réseaux de neurones se composent de nombreux nœuds répartis sur au moins trois couches: une couche d'entrée, une couche cachée et une couche de sortie. De plus, il peut y avoir plusieurs couches cachées en plus des couches d'entrée et de sortie. Indépendamment de leur emplacement dans le réseau, chaque nœud effectue des tâches ou des fonctions de traitement spécifiques sur les entrées reçues du nœud précédent ou de la couche d'entrée. Essentiellement, chaque nœud englobe une formule mathématique unique, avec des variables individuelles pondérées différemment.

Si le résultat de l'application de cette formule à l'entrée dépasse un seuil désigné, le nœud transfère les données à la couche suivante. Inversement, si la sortie est inférieure au seuil, aucune donnée n'est transmise à la couche suivante.

Quels sont les types de réseaux de neurones ?

Les réseaux de neurones diffèrent par leurs méthodes de traitement et le nombre de couches cachées qu'ils possèdent. Il en existe trois types: les réseaux à propagation avant, les réseaux à rétropropagation et les réseaux convolutifs.

1. Réseaux de neurones à propagation avant

Ces réseaux de neurones représentent la structure fondamentale d'un réseau de neurones artificiel. Ils transmettent les données dans une seule direction avant, allant du nœud d'entrée au nœud de sortie suivant. Bien que cela ne soit pas essentiel, ils peuvent intégrer des couches cachées pour gérer des tâches plus complexes. Leur processus d'apprentissage évolue progressivement grâce à des mécanismes de rétroaction. La reconnaissance faciale est un exemple de réseau à propagation avant.

2. Réseaux de neurones à rétropropagation

Ces réseaux de neurones fonctionnent en continu en permettant à chaque nœud de conserver sa valeur de sortie et de la propager vers l'arrière à travers le réseau pour générer des prédictions à chaque couche. Cela facilite l'apprentissage continu et l'affinement des prédictions.

3. Réseaux de neurones convolutifs

Les réseaux de neurones convolutifs (CNN) utilisent des couches cachées pour exécuter des opérations mathématiques, générant des cartes de caractéristiques des régions d'image plus faciles à classer. Chaque couche cachée reçoit une partie distincte de l'image pour décomposition, ce qui conduit à une analyse plus poussée et à la prédiction finale du contenu de l'image. La reconnaissance d'images par IA est un exemple typique de réseaux de neurones convolutifs en action.