Administration d'un big data sous mongodb et extraction de connaissance par réseau de neurones.

III.3.6. Neurone formel

Un neurone formel est un automate très simple imitant grossièrement la structure et le fonctionnement d'un neurone biologique. La première version de ce dernier est celle de Mc Culloch et W. Pitts et date de 1943. S'inspirant de leurs travaux sur les neurones biologiques, ils ont proposé le modèle du neurone formel qui se voit comme un opérateur effectuant une somme pondérée de ses entrées suivie d'une fonction d'activation (ou de transfert) comme indiqué par la figure suivante.

Figure 3.20: Neurone formel.

Y= si _ix_i

Si non U_i

Représente la somme pondérée des entrées du neurone

???? = ? ??_??????_?? + ??_??

Où : ????????????é????????????'????????é??????o??????????é????????????????????????????????????????????????????????????????????????

????????é??????????????????????????????????????????????????????????????????'????????é????????????????????????

????= ??(????) ????????????????????????????????????????????????????????????????????'????????????????????

III.3.7. Sortes de réseau de neurones

Les types de réseau de neurones différent par plusieurs paramètres :

· La topologie des connexions entre les neurones, on distingue deux types de réseau neuronaux : le réseau de neurone bouclé et non bouclé

· La fonction d'agrégation utilisée (somme pondérée, distance pseudo euclidienne, indice d'agrégation de Ward,)

· La fonction de seuillage utilisée (sigmoïde, échelon, fonction gaussienne, ...)

· L'algorithme d'apprentissage (rétro propagation du gradient, cascade corrélation...)

· Méthodes de dégradation des pondérations (weightdecay), permettant d'éviter les effets de bord et de neutraliser le sur-apprentissage.

· Types d'apprentissage : apprentissage supervisé, non supervisé ou apprentissage par renforcement.

III.3.8. Topologie d'un réseau de neurones

III.3.8.1. Perceptron et son fonctionnement

Avant d'aborder le comportement collectif d'un ensemble de neurones, nous allons présenter le perceptron (un seul neurone) en phase d'utilisation. L'apprentissage ayant été réalisé, les poids sont fixes. Le neurone de la figure 1.12 réalise une simple somme pondérée de ces entrées, compare une valeur de seuil, et fourni une réponse binaire en sortie.

Les connexions des deux entrées e1 et e2 au neurone sont pondérées par les poids w1 et w2. La valeur de sortie du neurone est notée x. Elle est obtenue après somme pondérée des entrées (a) et comparaison à une valeur de seuil S.

Dans le cadre de ce travail, nous pouvons interpréter le résultat de la manière suivante :

· La transaction sera frauduleuse si la valeur de x est 0

· La transaction sera normale si la valeur de x est +1.