Caractérisation et extraction informatique de la structure d'un tableau par une méthode implémentant un réseau de neurones

2.3.1.3. Types et exemples de réseaux de neurones

³⁷ http://fr.wikipedia.org/wiki/R%C3%A9seaudeneurones , lien valide le 09/04/2012 à 19h23'.

³⁸ Ibidem.

³⁹ Koriche F., Cours d'Intelligence Artificielle : Apprentissage, Université Montpelier II, Montpelier, 2012, p. 6.

51

Notons que les réseaux de neurones sont nombreux et peuvent être créés selon les contextes d'application. Cependant, dans la pratique et de manière générale, les types de réseau suivants sont utilisés :

- Les réseaux de neurones monocouches

Comme leur nom l'indique, ces types de réseaux sont constitués d'une seule couche. De plus, ces réseaux sont linéaires et rappellent le système visuel humain. La première couche (noeuds d'entrée) représente la rétine. Les connexions entre neurones jouent le rôle de cellules d'association et les neurones de la couche finale (noeuds de sortie) représentent les cellules de décision. Ici, les sorties des neurones ne peuvent prendre que deux états (-1 et 1 ou 0 et 1). Un exemple plus parlant de ce type de réseau est le perceptron qui fut conçu en 1958 par Frank Rosenblatt⁴⁰.

Fig. 6. Un exemple de réseau de neurones monocouche : Le perceptron - Les réseaux de neurones multicouches

Ces types de réseaux sont constitués d'une ou plusieurs couches intermédiaires (appelées noeuds cachés) entre les noeuds d'entrée et les noeuds de sortie. Dans ces types de réseaux, chaque neurone n'est relié qu'aux neurones des couches directement précédentes et suivantes. Comme exemple de réseau de neurones multicouche, nous trouvons le

⁴⁰ http://fr.wikipedia.org/wiki/Perceptron, lien valide le 09/04/2012 à 21h50'.

52

perceptron multicouche (qui est une amélioration du perceptron de Rosenblatt et qui comprend une ou plusieurs couches intermédiaires).

Fig. 7. Le perceptron multicouche

2.3.1.4. Modes d'apprentissage d'un réseau de neurones

Pour être fonctionnel, un réseau de neurones doit être capable d'apprendre (par exemple : apprendre à reconnaître un tableau, du texte, des images, etc.) - c'est, d'ailleurs l'une de ses qualités essentielles. Ainsi, distingue - t - on deux modes principaux d'apprentissage de réseaux de neurones, à savoir : l'apprentissage supervisé et l'apprentissage non supervisé. - L'apprentissage supervisé

Dans ce mode d'apprentissage, on fournit préalablement au réseau les résultats corrects que l'on souhaite obtenir comme valeur de sortie du réseau. A l'issue de l'apprentissage, le réseau est testé en lui fournissant uniquement les valeurs d'entrée mais non les sorties désirées, et en vérifiant si le résultat obtenu s'approche du résultat désiré. Il est à noter que ce mode d'apprentissage est le plus couramment utilisé en reconnaissance de formes. Cependant, ce mode d'apprentissage s'avère être moins adaptatif et moins souple car il

53

demande de fournir au système, à chaque fois, des exemples pour chaque type de reconnaissance ; ce que nous trouvons fastidieux.

- L'apprentissage non supervisé

Dans ce mode d'apprentissage, aucun résultat de sortie attendu n'est fourni au réseau. Ainsi laisse - t - on évoluer le réseau librement jusqu'à sa stabilisation complète.

Remarque : A côté de ces deux modes d'apprentissage « classiques », nous ajoutons l'apprentissage semi - supervisé qui n'est rien d'autre qu'un apprentissage non supervisé se basant sur une petite connaissance à priori. Dans la suite de ce travail, c'est précisément ce type d'apprentissage que nous utiliserons.