Chapitre 11 : Les réseaux de
neurones
La séparation en classes d'équivalence
s'opère par mesure de ressemblance entre les vecteurs proposés .
La contrainte que l'on doit imposer au réseau neuronal est
le nombre de classes d'équivalence .
Pendant la phase d'apprentissage , le réseau neuronal
construit une topologie de l'espace des vecteurs d'entrées .
Dans ce cas , la connaissance à priori de sortie
désirée n'est pas nécessaires et la procédure
d'apprentissage est basée uniquement sur les valeurs d'entrées.
Le réseau s'auto- organise de manière
à optimiser une certaine fonction de coût , sans qu'on lui
présente la réponse désirée .
Les modèles de kohonen et de Grpossberg sont deux exemples
parfait qui utilisent l'apprentissage non supervisé .
L'intérêt de cette approche est que l'on a pas
besoin de disposé d'exemple de problèmes résolus ,c'est a
dire , de vecteur de sortie correspondant à chaque vecteur
d'entrée utilisée pour l'apprentissage .
II.6.5.2 Apprentissage
supervisé :
Ce mode dispose d'un comportement de référence ,
vers lequel il tente de faire converger le réseau .
Durant une première phase , appelée phase
d'apprentissage , on présente au réseau les valeurs
d'entrée et on calcule sa sortie actuelle correspondante, ensuite les
poids sont ajustés de façon à réduire
l'écart entre la réponse désirée et celle du
réseau en utilisant l'erreur de sortie qui est la différence
entre la réponse du réseau et celle désirée.
Pendant une seconde phase , appelée phase de test , on
présente au réseau de nouveaux vecteurs qui n'ont pas servi
à l'apprentissage et l'on observe ses réponses .
Les performances du réseau sont alors
évaluées par le pourcentage d'erreurs .
II.6.5.3 Apprentissage par renforcement :
Ce mode suppose qu'un comportement de référence
n'est pas disponible , mais en revanche le système à
entraîner est informé d'une manière indirecte sur l'effet
de son action choisie .
Chapitre 11 : Les réseaux de
neurones
Cette action est renforcée si elle conduit à une
amélioration des performances du système entraîné
[32] .
La différence entre ces trois types d'apprentissage
réside dans le critère de performances implicite on explicite
.
| 
