Machine learning

Réseaux de neurones

Les réseaux neuronaux sont la technique principale du deep learning prenant inspiration du cerveau humain. Dans un réseau neuronal on a une couche de neurones d’entrées (l’input layer), une couche de neurones de sortie (l’output layer) et des couches intermédiaires (les hidden layer). Chaque neurone est en réalité une fonction à plusieurs paramètres qui renvoie une sortie quand un certain nombre de paramètres sont remplis.

NOTE

Le deep learning se différencie du machine learning par sa possibilité de faire l’extraction de feature en même temps que la classification/association.

Transclude of deep_or_machine_learning.avif

Les neurones

Dans un neurone, la sortie $y$ est une combinaison linéaire pondérée (poids ${\beta }_j$) des entrées $x_j$ plus un biais ${\beta }_0$. On détermine si on doit activer la sortie du neurone grâce à une fonction d’activation $f$ qui prend ce que le neurone a calculé.

$$y=f(\sum _j{\beta }_j{x}_j+{\beta }_0)$$