Scribd
Importer
2 vues48 pages

Chap9 DeepLearning

Le document traite des concepts fondamentaux de l'apprentissage profond, y compris les neurones formels, les réseaux de neurones, et les architectures comme MLP, CNN, RNN et GAN. Il aborde également des techniques de classification binaire et la régression logistique, en expliquant comment résoudre des problèmes non linéairement séparables. Enfin, il décrit le fonctionnement des neurones biologiques et artificiels, ainsi que les méthodes d'entraînement des réseaux de neurones par descente de gradient.

Transféré par

Kapu
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
2 vues48 pages

Chap9 DeepLearning

Le document traite des concepts fondamentaux de l'apprentissage profond, y compris les neurones formels, les réseaux de neurones, et les architectures comme MLP, CNN, RNN et GAN. Il aborde également des techniques de classification binaire et la régression logistique, en expliquant comment résoudre des problèmes non linéairement séparables. Enfin, il décrit le fonctionnement des neurones biologiques et artificiels, ainsi que les méthodes d'entraînement des réseaux de neurones par descente de gradient.

Transféré par

Kapu
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

211

Deep Learning (Apprentissage


profond)
212

• Le neurone formel
• Le réseau de neurones
• La back-Propagation
• Le CNN
• Le RNN
• Le GAN
213

Le Réseau de
neurones
214

Historique
215

Rappel de la classification binaire


216

Rappel du Logistic Regression


217

Données non linéairement séparables


Données non linéairement séparables: Résoudre le 218

problème par parties


219

Appliquer logistic Regression par sous problèmes


220

Les droites nous donnent de nouveaux features


221

Les droites nous donnent de nouveaux features

Construisons un modèle linéaire avec ces nouveaux


features
222

On ne sait toujours pas comment trouver ces 4 droites


Mais nous savons comment notre algorithme prédit une fois que nous les aurons trouvés :

Réécrivons notre algorithme en termes de graphe de calcul :


223

Multi Layer Perceptron (MLP)

Chaque nœud est un neurone:


Features
1. Une combinaison linéaire des inputs
2. Appliquer une fonction d’activation comme ( )
224

Le neurone
biologique
on peut décomposer le neurone en 3
grandes entités :
- un corps cellulaire appelé péricaryon ;
- un ensemble de dendrites (de l'ordre
de 7 000) ;
-un axone.
Lorsque l'excitation du corps cellulaire
dépasse un certain seuil, un afflux
nerveux est émis le long de l'axone de
façon centrifuge, c'est-à-dire du corps
cellulaire à l'extrémité de l'axone. La
quantification de l'excitation se fait
par modulation de fréquence. Plus le
neurone est excité, plus rapprochées sont
les impulsions dans l'axone.
 Un réseau est ainsi formé.
Le neurone artificiel ( perceptron)

Nous allons considérer les entités suivantes :


• des entrées, notées X sous formes de
vecteurs, représentant les dendrites ;
• une sortie, notée y , représentant l'axone ;
•des paramètres, notés w et b , influençant
le fonctionnement du neurone.

Equation :

= + = ( + )

: Activation function
226

Multi Layer Perceptron (MLP)


MLP est un exemple de réseau de neurones artificiels
MLP peut avoir de nombreuses hidden layers (couches cachées) :
227

Comment entrainer un réseau de neurones MLP?

• Comment Appliquer la descente du gradient sur un réseau de


neurones
• Comment calculer les gradients?

Vous aimerez peut-être aussi