Les réseaux de neurones artificiels

Restez toujours informé : suivez-nous sur Google (☆)

Introduction

Le cerveau humain est un modèle dans le développement de l’intelligence artificielle. De simples enchevêtrements de neurones lui donnent toutes ses capacités, et c’est ce que tentent de reproduire les chercheurs grâce à l’électronique. Ce dossier nous présente les principes des réseaux de neurones artificiels.

L’auteur de ce dossier est Frédéric Perez (fffred sur le forum), un grand merci à lui.

Introduction

L’intelligence artificielle est en continuelle progression depuis l’invention de l’ordinateur et l’utilisation de programmes informatiques. Il existe en effet de nombreux programmes capables de réaliser des choses de plus en plus complexes : diriger un robot, résoudre des problèmes, jouer aux échecs… Mais ils sont très rarement capables de rivaliser avec le cerveau humain, et c’est pour cela que de nombreuses tâches sont encore irréalisables par les ordinateurs.

D’où vient cette différence ? La première chose est évidemment la capacité de calcul, le cerveau est une machine assurément incroyable. Cependant, les ordinateurs n’ont pas cette faculté d’apprentissage, ils ne connaissent pas le progrès si personne ne les modifie. Voilà le challenge pour l’intelligence artificielle : savoir apprendre.

D’un autre côté, la biologie a apporté un grand nombre d’informations sur le fonctionnement du cerveau, des neurones… Des mathématiciens ont alors tenté de reproduire le fonctionnement du cerveau en intégrant ces connaissances en biologie dans des programmes informatiques, et en leur donnant la possibilité d’apprendre. Cela a commencé en 1943 avec Mc Culloch et Pitts, mais en 1969, Minsky et Papert publièrent un livre pour montrer que le type de réseau élaboré à l’époque était limité. Heureusement, des progrès ont pu être réalisés par la suite. Ces recherches sur les "réseaux de neurones artificiels" ont maintenant beaucoup progressé. Nous en expliquerons les bases dans ce dossier.

Les connaissances en biologie

Les modèles de réseaux de neurones artificiels sont, à l’origine, une imitation du fonctionnement du cerveau. Il contient, chez l’homme, environ 10 milliards de neurones, et chacun est connecté à environ 10.000 autres neurones. On voit ainsi sa complexité étonnante.

Les connexions permettent le transfert d’informations sous forme d’impulsions électriques entre les neurones.

Un neurone reçoit des impulsions de ses voisins par l’intermédiaire des "dendrites". Si la somme des signaux dépasse un certain seuil, il renvoie un signal vers d’autres neurones, par l’intermédiaire de son "axone". Ce mécanisme complexifie la façon dont les informations sont transmises : un neurone ne se borne pas à faire passer l’information, il la filtre.

Pour résumer, un neurone peut être schématisé ainsi : il fait la somme de toutes les informations qu’il reçoit et il émet un signal à condition que la somme soit suffisamment élevée.

Si l’on ramène la contribution d’un neurone au cerveau tout entier, on se rend compte que chacun effectue un travail très simple par rapport au résultat obtenu. En effet, les neurones réalisent des opérations basiques, et pourtant, lorsque l’on en met 10 milliards ensemble, on peut créer une entité pensante !

Cependant, cela n’est pas suffisant : un cerveau ne peut rien faire s’il n’a pas de quoi apprendre. Il a besoin d’informations venant de l’extérieur. C’est pour cela qu’il est relié aux différents organes du corps. Par exemple, il reçoit les images provenant des yeux, les sons, les douleurs…

Grâce à ces informations il est capable de faire son apprentissage : lorsqu’une action a provoqué une douleur, il doit changer l’organisation des neurones afin de ne pas répéter la même erreur.

L’objectif des réseaux de neurones artificiels est donc de modéliser le fonctionnement des neurones réels, mais aussi de permettre un apprentissage.

Le neurone mathématique

On vient de voir que les neurones ont un fonctionnement assez simple et facilement applicable en mathématiques : il faut faire une sommation des informations qui lui sont fournies, puis appliquer un seuil à cette somme.

Pour schématiser cela, on admettra que les entrées (les informations que le neurone reçoit) ne peuvent valoir que 0 ou 1. Cela correspond aux signaux électriques fournis par les neurones voisins.

La somme (Σ) est l’opération habituelle. Le seuil est représenté par une fonction de Heaviside :

Ainsi, si la somme est suffisante, la sortie (signal transmis) vaut 1. Sinon, elle vaut 0.

Voilà ce qu’est un neurone en mathématiques. Il faut maintenant en assembler pour former un réseau.

Note : En réalité, les signaux utilisés ne sont pas binaires (0 ou 1) : on assouplit la définition précédente en autorisant que ces signaux soient des nombres réels. De plus, la fonction seuil n’est pas aussi abrupte. On utilise plutôt une sigmoïde qui a une pente plus douce.

Le réseau de neurones

Les neurones formels que l’on vient de définir doivent être assemblés pour former un réseau. Le type de réseau le plus simple s’appelle le "perceptron". Il est constitué en fait d’un seul neurone et permet de réaliser des opérations très simples. Il est cependant très limité. C’est pourquoi on utilise un type de réseau plus complexe, le Perceptron Multi-Couches (PMC). Comme son nom l’indique, il est constitué de plusieurs couches de neurones entièrement connectées entre elles (cf. figure ci-dessous).

Que veulent dire "entrées" et "sorties" ? Si l’on compare notre réseau au cerveau, on peut comprendre cela comme les signaux reçus, et les ordres émis. Par exemple, si l’ "entrée" est une image provenant des yeux, disons, un ours qui attaque, alors il faut que le cerveau donne en "sortie" l’ordre de fuir ! Ainsi, lorsqu’un sens donne une information, le cerveau renvoie une réponse.

Note : Ces réseaux PMC sont les plus utilisés. Mais il en existe d’autres types, notamment les réseaux récurrents. Ce sont des réseaux qui bouclent sur eux-mêmes. Mais nous n’en parleront pas ici car la théorie est trop compliquée.

Comment apprendre au réseau

Maintenant que l’on a créé un réseau, il faut lui faire apprendre quelque chose. Pour mieux comprendre cela, nous prendrons l’exemple de la reconnaissance de caractères : on présente des caractères au réseau et il a pour objectif de reconnaître ce caractère. Par exemple, si on lui montre la lettre "a" dessinée, il doit nous répondre que cela est un "a".

Comment réaliser cela ? La méthode est en quelque sorte une imitation du cerveau : si la réponse est correcte, c’est bien, mais s’il y a une erreur, il faut modifier le réseau afin de ne pas réitérer l’erreur.

On recommence plusieurs centaines de fois l’opération, jusqu’à ce que le réseau ait bien appris sa leçon !

Le principe est donc relativement simple. On fait l’éducation du réseau comme on éduquerais un enfant : il faut lui répéter plusieurs fois qu’il a fait une erreur, et à la fin, il a compris.

Note : Comment est-il possible de modifier le réseau ? Les liaisons entre les neurones ont en fait une particularité : elles ont un "poids". C’est un nombre réel souvent noté w. Ils interviennent dans la somme effectuée par chaque neurone (la somme est pondérée), et grâce à eux, il est possible de modifier le réseau en changeant leurs valeurs. Ceci dit, il n’est pas évident de savoir de combien il faut modifier ces poids. Plusieurs théories existent, elles permettent de modifier les poids de façon à converger vers une erreur minimale.

Que peut faire un réseau ?

Les réseaux de neurones ont de nombreuses applications possibles. En voici quelques exemples :

  • Approximation de fonctions : les fonctions trop compliquées peuvent être approximées, grâce au réseau, par une somme de fonctions plus simples comme des polynômes ou des sigmoïdes.

  • Optimisation de trajectoires : en intégrant les paramètres tels que le vent, les conditions extérieures, …. On peut, par exemple, déterminer quelle est la meilleure trajectoire pour un avion, une fusée…

  • Reconnaissance : un réseau peut servir à reconnaître des caractères. Cela est déjà utilisé à la Poste pour lire les codes postaux, ou même dans certaines banques pour lire les chèques. Il est aussi possible de retrouver la prononciation des mots à partir d’un texte.

  • Prévision : on utilise de plus en plus les réseaux pour faire des prévisions en marketing (prédiction de comportement, de possibilité de vente d’un produit, …) ou pour le trafic routier… Mais les prévisions en météo ou en bourse sont trop compliquées à réaliser.

  • Contrôle : on peut contrôler les produits dans une industrie.

  • Robotique : certains robots sont dotés de réseaux de neurones. Des entreprises japonaises se vantent déjà de leur utilisation, même pour des produits électroménagers ou informatiques.

Les réseaux de neurones ont encore beaucoup d’autres applications possibles. En général, cela se résume en un problème d’optimisation. Peut-être serons-nous capables, dans le futur, de reproduire une forme d’intelligence… Mais nous en sommes encore loin !

avatar
jyb

une charactéristique du cerveau est sa capacité à créer de nouvelle connexion à chaque fois qu'il apprend ou voi quelque-chose. Pour que la modification du poid attribué à chaque lien puisse mimé ce comportement, il faudrait qu'à l'orrigine toutes les connexions possible soient faites dés le départ, avec le cas échéant un poid de 0.

Celà peut être équivalent à une matrice où les nombres correspond au poid d'une liaison :bon: !

avatar
fffred

au départ, on donne souvent aux poids des valeurs aléatoires. Et cela arrive que des poids valent 0 bien sur (ou plutot etre très proche de 0).

Par contre c'est pas évident de mettre les poids dans une matrice, parce qu'elle ne pourra pas etre carrée ou rectangulaire : il n'y a pas autant de liaisons dans chaque couche.

AD
Adrien

Intéressant, et je serais très heureux de publier un de vos articles :)

avatar
fffred

je sais bien que la fonction de heaviside n'est pas celle que l'on utilise habituellement :D
(ce dossier se veut abordable par tous)

mais cette facon de combiner les réseaux ... je connaissait pas :bon:

avatar
jyb

Ce que tu dis est certainement vrai.

En réalité, les réseaux de neuronnes qui sont décrits ici ne sont qu'une pâle copie de ce que fait la nature pour le moment. Mais du fait de nos technologies et connaissances actuelles, c'est déjà beaucoup.

A mon avis, notre cerveau doit utiliser des cas "type", des patterns qu'il apprend au début où qu'il connaît déjà (inné). Il ré-utilise sans doute ces formes -préfaites pour d'autres sujets, après avoir fait des rapprochements.

Mais tout ça, c'est de la logique pure, et nous ne savons pas comment les neuronnes peuvent faire ça :cry: . De même, la reconnaissance d'une situation nouvelle avec raprochement à une situation plus ou moins similaire est complexe à faire pour une machine.

Bref, on est encore très loin de produire un être artificiel ayant le même type d'intelligence que nous :beuh:

au fait: c'est normal si ton pseudo me dit qq chose ? :D

edit orth

avatar
fffred

je pense personellement que cette approche b'est pas tellement éloignée de la réalité : un réseau de neurone artificiel de moins de 100 neurones je crois a été réalisé pour reconnaitre les sons à partir des mots.
Les erreurs commises sont, oh surprise, les mêmes que celles d'un enfant !

on retrouve donc un soupçon de crédibilité ....
imaginez la même chose avec des milliers de neurones !

avatar
Michel

Le problème est que l'on ne sait tout simplement pas pourquoi le cerveau fonctionne de la façon qu'il fonctionne. Et a priori on en est tres loin.
On sait de mieux en mieux où les choses se passent et on arrive à décrire de plus en plus précisement comment les choses se passent.
Mais tout ceci n'est jamais en fait que de la description.
Le problème est d'ailleurs le même avec la génétique et plus généralement avec tout ce qui a trait au vivant avec ce petit plus de complication pour le cerveau puisqu'il nous permet de "fabriquer" des pensées.

avatar
fffred

je donnais juste un exemple, je ne faisait pas de raisonnement :heink:

avatar
jyb

Effectivement, je connais un Xavier B... !

Par contre, je n'ai pas trop d'idée pour ce qui est d'applications concrêtes du concept, peut-être que Fred a des idées

avatar
fffred

Xavier B.
Si mon pseudo te dit quelque chose, c'est sans doute que tu connais un gars qui s'appelle "Xavier B.". Non ?


Merci pour ta réponse. Ceci dit, j'ai encore une petite question. Je suis en train de faire un TIPE sur les réseaux de neurones. J'ai commencé par un réseau appliqué à la reconnaissance de caractères. Ca marche, et surtout, ca m'a permis de comprendre comment marche concrètement les réseaux de neurones.
Mais j'aimerais faire une application sympa, dans le cadre du développement durable. Je suis à court d'idée. J'ai vu dans le dossier que tu parlais d'optimisation de trajectoires, de robotique, de prévision... Est ce que tu aurais une idée d'application, des contacts ?


Merci. :sol:

J'ai aussi découvert les réseaux de neurones avec mon tipe :)
et d'ailleurs c'était de la reconnaissance de caractères également ...

Pour le développement durable, ca devient assez compliqué. Par exemple, je ne connais pas de réseau capable de prévoir la météo ... :fada:
(J'avais meme essayé de le faire, mais il faut énormément de données, et ca ne marche pas vraiment).
Sinon je vois pas trop le rapport avec l'optimisation de trajectoires. Je parlais par exemple de calculer la trajectoire optimale d'un avion connaissant les paramètres comme les points d'arrivée et de départ, le vent, .... (cf. tipe )

Bref, placer des réseaux de neurones sur le thème du développement me parait un peu difficile, ou alors tiré par les cheveux.
:grat:

avatar
jyb

Là, il y a de l'idée :D

pour la prépa, il y a effectivement des taupes et ex-taupes ici et un topic où il a été question de prépa:

/forum/viewtopic.php?t=885

avatar
fffred

Le TIPE est en fait un projet qu'il faut présenter lors des concours

pour la reconnaissance d'emballages, c'est une bonne idée
je pense d'ailleurs que cela se fait déja (j'ai moi meme une cocote à riz qui marche avec des réseaux de neurones :D )
par contre pour faire ca en TIPE, c'est très difficile
on a pas accès facilement à des centres de tri des déchets :o

avatar
Michel

fffred
(j'ai moi meme une cocote à riz qui marche avec des réseaux de neurones :D )

ca vaut mon micro-onde qui parle japonais, ca :siffle:

avatar
fffred

:houla: la classe !!!

Supprimé

Dani
Bonjour,


Je fais actuellement un projet sur les réseaux de neurones. J'ignore si qq'un répondra à mon message... :jap:
Je suis très intéressée par ce sujet car il permet de faire de nombreuses choses. :)
Si je résume ce que j'ai compris le s réseaux de neurones permettent de faire des modèles...On a des entrées et il évalue les sorties (suite à un apprentissage). Mais peut on optimiser les sorties grace à lui?Est il capable d'estimer les sorties pour des combinaisons de paramètres d'entrée qu'il n'a pas vu?


Merci par avance


Dani

Bonjour Dani,

Je ne comprends pas l’objet de la première question concernant l’optimisation des sorties.
Par contre, pour ta dernière question, je vais prendre un exemple qui m'avait paru assez explicite quand j'ai abordé les approximations de fonctions par réseaux de neurones supervisés :

Imaginons que l'on veut apprendre l'addition à un réseau de neurones. Il n'est pas nécessaire de lui apprendre toutes les combinaisons possibles, il suffira seulement de lui apprendre :
0+0 = 0
1 + 1 = 2
2 + 2 = 4
3 + 3 = 6
4 + 4 = 8
…
10 + 10 =20

A partir de seulement ces quelques exemples, le réseaux va être capable d'additionner les chiffres entre 0 et 10. Il trouvera le résultat de 1+4 ou de 3 + 2 sans problème, même si on ne lui a jamais montré ces exemples. Par contre, il ne trouvera jamais la solution de 20+5. Il a réussi à interpoler la fonction « addition » entre les points que nous lui avons donné, mais il ne pourra pas deviner des solutions qui sortent du domaine montré en exemple. Donc la réponse à ta 2eme question est à la fois oui et non, tout dépend de la complexité de la fonction et du choix des exemples. En effet pour les réseaux de neurones dit « supervisés », les exemples donnés pour l’apprentissage jouent un rôle déterminant.
Sur le site en signature ci-dessous, il y a un tutorial pour l’utilisation de réseaux de neurones dans le menu Tutoriels. Il est à la base fait pour permettre à un robot d’éviter les obstacles, mais ça peut t'intéresser car la logique de fonctionnement des réseaux de neurones supervisé est toujours la même.

avatar
fffred

1ere question : non
car il faut une routine extérieure pour lui "dire" si c'est faux ou pas, et qui lui corrige ses poids. Mais le réseau de neurone est l'ensemble de tout cela si l'on veut. Ca dépend de quoi on parle.
2eme question : heureusement que oui !
c'est là toute l'importance des réseaux de neurones. Il a été démontré que les réseaux de neurones sont capables d'apprendre toute "base de donnée". Mais le fait de connaitre les sorties d'entrées inconnues n'est pas facile : les réseaux de neurones tentent de le faire.

JO
Jordane

Bonjour,

Tout ce que j'ai lu est fort interessant. Je travaille actuellement sur les réseaux de neurones et les plans d'expériences, qui reposent tous les 2 sur des principes similaires.

J'ai une question et j'espere que quelqu'un saura me répondre où m'indiquer où je serai succeptible de trouver ma réponse...
:jap:

Je sais que pour les PLEX et les réseaux de neurones, les paramètres d'entrée doivent etre indépendants les uns par rapport aux autres. Que se passe-t-il si ce n'est pas le cas? :fada:

Ca me pose notamment pas mal de pb pour les plans d'experiences... :(
Par exemple, mon plan d'expérience veut que le parametre 1= 300 et mon parametre 2 = 200. Or dans la realité, le parametre 1 peut valoir 300 que si le parametre 2 est supérieur a 250, par exemple...mais ce n'est pas le cas pour des valeurs plus petites du paramètre 1...

Vous comprenez mon pb ou dois-je l'expliquer plus concretement?? :houla:

Merci par avance pour vos reponses! :jap:

Jordane

ZA
Zahir

Bonjour,
le sujet présenté est fort interessant et aide à assimiler facilement la notion de réseaux de neurones de part sa simplicité de présentation.

je prépare actuellement un mémoire de fin d'étude qui porte sur l'application des réseaux de neurones pour la génération de prix d'un actif boursier (marché à terme), et j'ai lu dans l'article que les prévisions en bourse sont compliqué à réaliser.

je cherche des informations qui pourront m'aider à avancer dans mon projet notamment des applications à l'economie et en bourse en particulier.

merci d'avance :) !!

VE
Veto

Bonjour à toutes et à tous;
J'ai un problème d'optimisation d'un modéle dont
les équations non linéaires sont les suivantes:

http://img183.imageshack.us/img183/6862/sssxz3.png

mon but est de minimiser une fonction coût qui n'est autre que l'ecart quadratique entre les valeurs des paramètres désirés et les observations
qui leurs corresponds. J'aimerais bien appliqué les Réseaux de neurones,
mais mon blème c ke shui bloké au début :D
j'ai fait une petite bibliographie sur les réseaux de neurones mais toujours J'arrive po à faire le lien entre mon Système d'équations et cette
méthode!!! Si quelqu'un a déjà manipuler ces réseaux de neurones qu'il me décrit comment s'en sortir :)

Merci d'avance

avatar
fffred

il y a différentes méthodes. L'une d'elles consiste à chercher les solutions comme somme de fonctions plus simples, par exemple des sigmoïdes, mais ca dépend du type de solutions recherchées.

Ainsi on donne en argument au réseau de neurones, le poids affecté à chacune de ces fonctions élémentaires.

On peut aussi discrétiser les variables et paramètres, et rentrer chaque valeur comme "entrée" du réseau de neurones.

SW
swo

Bonjour,
Je réalise un programme sur la vie artificielle comme « Framsticks »
http://neurone.artificiel.ifrance.com/
La partie neurone est terminée et fonctionne bien.

Je vais maintenant réaliser la simulation de la détection du sol.

http://www.framsticks.com/common/neurons/touch.html
http://www.framsticks.com/a/al_simdetail

Pour cela, la variable Z correspond à la distance qu’il y a entre le capteur et le sol.
Si le capteur est éloigné du sol, on a en sortie la valeur -1
Et si le capteur touche le sol, on a en sortie la valeur 0

Question :
Faut il réaliser ceci avec un neurone ?

Z Sortie
10 -1
9 -.9
8 -.8
…
1 -.1
0 0
…

A-t-on réellement la sortie qui varie entre -1 et 1 avec une équation du 1er degré ?
Car pour faire bouger le muscle, il faut aussi que la sortie du neurone varie entre -1 et 1.
http://www.framsticks.com/common/neurons/muscle.html

Je ne comprends pas comment ça fonctionne, pour faire bouger le muscle en fonction sol.

CapteurSol ---> NeuroneCap. --->---NeuroneMuscle--->-- GraphMuscle.
..................Z.........................-/1............................-1/1

Donc NeuroneMuscle ne serre a rien du tout ?
Si quelqu'un pouvais m'éclairer un peu car je pige RIEN.
Comment initialiser mon NeuroneCap et neuroneMuscle ?
Merci beaucoup
@+

avatar
fffred

Tes explications sont très obscures, essaie de donner plus de détails : ce que tu cherches à faire, ce qui est disponible, etc. Ce forum n'est pas du tout spécialisé dans ce domaine, donc il vaut mieux être précis et détaillé.
Merci

SW
swo

Salut,
Mes explications sont peut-être très obscures pour ceux qui n’ont aucune connaissance sur les RN.
Je souhaite réaliser ceci :
http://www.framsticks.com/common/al_sampleevol.
C’est aussi très obscurespour moi, car je me demande par quel miracle le programme fonctionne. Donc, je me pose beaucoup de questions.

En gros, les questions que je me pose :
Si le capteur s’approche du sol, ça entraîne un mouvement sur le muscle/les muscles.

Donc, il faut bien faire apprendre quelques choses aux neurones comme une sinusoïdale pour l’initialiser comme pour les portes logiques.
Bref, comment initialiser les neurones pour le capteur de détection sol et le muscle (entrée==sortie) ou (entrée !=sortie) ?
Pour savoir si les poids des neurones sont acceptés, on compare la position (X,Y) de dépare et d’arrivé non ?
C’est ce genre de questions que je pose. Je sais que les entrées et les sorties se connectent aléatoirement, mais il y a forcément un apprentissage comme pour les portes logiques.

Comment ça fonctionne
@+

avatar
Maulus

bahhh
tu déclenche un mouvement vers le sol
ton capteur renvoi le signal "j'ai touché le sol"
ton neurone arrête le mouvement...
ensuite si tu veut la donné "s'approche" il te faut un autre capteur
après tu déclenche une séquence de mouvement en fonction de se que capte les .. capteurs...

SW
swo

ok, merci,
je vais esayer ça
@+

avatar
Passion&idée

Et . le cerveau fonctionne avec des ordre transmie electriquement.
L'ordinateur aussi.?
Donc par déduction , nous sommes comptatible ? oui ou non ?
Certe ca doit être complexe a réaliser un tel dispositif , mais un jour , avec une carte dans la tête on controlera notre PC ...

avatar
Stardust

Passion&idée
Et . le cerveau fonctionne avec des ordre transmie electriquement.
L'ordinateur aussi.?
Donc par déduction , nous sommes comptatible ? oui ou non ?
Certe ca doit être complexe a réaliser un tel dispositif , mais un jour , avec une carte dans la tête on controlera notre PC ...

Le web est plein d'articles sur le sujet.
En voici un au hasard, qui date déjà (2006) : http://www.silicon.fr/fr/silicon/news/2 ... veau-robot
Dans le domaine, il y a plein de "nouveautés" en ce moment. Fais donc une petite recherche

AD
adagio

Tres interessant

Je revient sur une question moins pratique que théorique, mais qui me turlupine.
On sait que le cerveau n'est pas simplement une machenerie electrique, et que la vitesse de propagation des decharges electrique est tres faibles par rapport a la vitesse d'un processeur ou d'un programme.
C'est a dire qu'en fonction de la longueur de chaque connexion neuronal dans le cerveau la transmission est plus ou moins longue, de meme la transmission de la decharge d'un neurone a l'autre dans l'espace synaptique depend de la presence ou non de substance chimique ( neuro-inhibiteur neuro-transmeteur....), et de la viens ma question.

Est ce que les poids que l'on affecte a chaque liaison dans un reseaux de neurone informatique, rendent compte de ces effets ?
Est ce que cela a été prouvé mathematiquement que la non simultaneité (notion de temps) et l'etat chimique du cerveau pouvait etre remplacé par un poids en nombre réél associé a chaque liaison ?

avatar
Stardust

voir ici
En résumant et simplifiant : comme tu le dis, dans le cerveau, il y a 2 modes de transmissions synaptiques : les transmissions électriques (ultra-rapides) et les transmissions chimiques (plus lentes). Ces dernières ont l'immense avantage de permettre une modulation de l'importance des messages nerveux ainsi qu'une intégration des messages provenant de différentes sources". Elles traitent la complexité. Donc, des structures différentes = des effets différents, aussi intéressants les uns que les autres.
Je remarque que tu ne cites pas un troisième élément important : la présence de "colliers de cellules gliales" (substance = myéline) permet de compenser la "longueur" du tronc des neurones (l'axone). Ces cellules accélèrent le transport de l'information qui saute rapidement d'une "cellule" à l'autre au lieu de traverser progressivement l'axone. C'est fort çà non ??? :D D'ailleurs, le cerveau réagit très vite de manière inconsciente, par exemple en provoquant l'état d'alerte ou un geste dit "instinctif". C'est le couplage "perception-réflexion" et l'action raisonnée qui se ramènent un peu "à la traîne", sauf si on a appris des automatismes auparavant.

Bon, je ne sais pas si le calcul dont tu parles a été fait. Je rechercherais si j'ai le temps. Mais il est maintenant possible de mesurer la vitesse de réaction du cerveau et de ses composantes via les nouveaux outils d'imagerie. D'autre part, dans le cerveau, il y a des "auto-routes", ascenseurs, etc. Un seul stimulus produit des effets simultanés dans différentes régions très éloignées et/ou quasi-indépendantes. Alors, quid de la "distance" dans cet univers encore mystérieux... ?

avatar
Stardust

J'ai trouvé la présentation du : "Projet BIoIMAGe - Biologie Informatique, - Imagerie, Modélisation biomédicale et l’Analyse Génétique"
Voir ds le doc joint le chapitre "Modélisation des cascades (bio-chimiques) de signalisation et du remodelage cellulaire. Application à la potentialisation à long terme des neurones" : http://www-timc.imag.fr/Laurent.Desbat/ ... IMAGe.html

Dis-moi si cela ressemble à ce que tu recherche.

VI
Victor

C'est passionnant votre truc mais ça me fait penser comme même à un processus de CPU de calcul binaire classique... Je voudrais plutôt savoir comment intervient la mémoire et l'expérience? Bref après avoir trouvé qu"une réponse est bonne ou mauvaise... Comment le réseaux renforce le processus donnant le résultat

LI
liina

bonsoir,

je vois qu'on parle des réseaux de neurones en tant qu'outil de reconnaissance des formes mais il existe d'autres particularités sur les réseaux de neurones comme la modélisation et la commande des systèmes non linéaires par approche neuronale. s'il vous plait est ce que vous avez une idée sur ce sujet?
je suis entrain de réaliser une recherche sur ce sujet et j'applique ceci à un robot mobile le problème est que je ne parviens pas à réaliser la commande neuronale. est ce que vous pouvez m'aider par des exemples de commande neuronale sur matlab.

merci

NO
Nodarp

Bonjour!
Hyper intéressant ( même quand on a pas de TIPE à faire ) !

Mais, ai-je compris ?
Lorsque le perceptron a suffisamment de « concordances », il se met au 1 ; et ce signal va aller alimenter les entrées d’autres perceptons… » ; « concordances » de « concordances » et décision « ok ».
Le percepton multicouches est alors fixé, il constitue un « machin » auto programmé, une fonction nouvelle ?????
Mais où est le bâton (ou la carotte) dans ce montage ? Quand savoir qu’il n’est plus nécessaire de réitérer ?

Oui….. La reconnaissance d’emballage ou de caractères …ok. Mais, la porté philosophique de ces mécanismes devrait suffire à la motivation des chercheurs ? On y retrouve la base même de la construction du monde vivant : essai->bâton ?->carotte-> nouvelle tentative ! Mais pas besoin que la bestiole « meure » et renaisse (un peu différente) pour affronter à nouveau le « monde »…on voit là tout l’avantage de la « solution cerveau », on est loin des débuts du monde vivant !
…si ça sert à reconnaître les emballages, ok (carotte), sinon c’est nul (bâton), et on fait autre chose ! Là on est bien dans le monde vivant actuel !

VI
Victor

C'est fascinant le concept de réseau de neurones
dès qu'il y a un nombre suffisant de neurones
on peut déjà parler de noyaux d'intelligence