Conclusion :
Dans ce chapitre , nous avons exposé les
éléments essentiels qui permettent de comprendre pourquoi , et
dans quels cas , il est avantageux de mettre en oeuvre des réseaux de
neurones .
Avant d'aller plus loin , il est sans doute utile de rappeler les
points fondamentaux qu'il convient de toujours garder à l'esprit lorsque
on cherche à mettre en oeuvre des réseaux de neurones :
? Les réseaux de neurones sont utilisés comme
outils statistiques , qui permettent d'ajuster des fonctions non
linéaires très générales à des ensembles de
points ,l'utilisation de réseaux de neurones nécessite que l'on
dispose de données suffisamment nombreuses
et représentative .
? Les réseaux de neurones à apprentissage
supervisé sont des approximateurs
parcimonieux , qui permettent de modéliser des
phénomènes .
? Les réseaux de neurones à apprentissage non
supervisé peuvent apporter des éléments précieux
pour la détermination d'une bonne représentation des formes .
? Il est toujours souhaitable , et souvent possible , d'utiliser
, pour la conception du réseau , les connaissances mathématiques
dont on dispose sur le phénomène à modéliser ;
les réseaux de neurones ne sont pas nécessairement des
« boites noires » .
L'entraînement et la conception d'un réseau de
neurones demeure aujourd'hui un art et non une science, à la fois objets
d'études et outils applicatifs les réseaux de neurones ont un
rôle à jouer dans un nombre rapidement croissant de domaines
autant en recherche qu'en industrie .
Ainsi l'association ou l'hybridation des techniques neuronales
avec d'autres méthodes et la connaissances disponibles sur le
comportement de système à traiter , pourrait améliorer les
performances du réseau et permet aussi de réaliser efficacement
les tâches désirées .
Parmi ces méthodes on trouve la logique floue , de fait de
son caractères approximatif et qualitatif inspires de la pensé
humaine .
Chapitre III
| 
