Introduction aux réseaux de neurones artificiels

📋 Plan du Cours

1. Neurones artificiels
2. Fonction d'activation
3. Propagation du signal
4. Apprentissage supervisé
5. Rétropropagation
6. Fonction de coût
7. Optimisation
8. Réseaux multicouches

📖 1. Neurones artificiels

🔑 Notions clés & Définitions

• Neurone artificiel : Modèle mathématique inspiré du neurone biologique, capable de recevoir, traiter et transmettre des informations sous forme de signaux numériques ou continus.
• Poids synaptiques : Paramètres ajustables qui déterminent l'importance de chaque entrée dans le calcul de la sortie du neurone.
• Fonction d'activation : Fonction mathématique appliquée à la somme pondérée des entrées pour introduire de la non-linéarité, permettant au réseau de modéliser des fonctions complexes.
• Réseau de neurones : Ensemble de neurones artificiels interconnectés, organisé en couches (entrée, cachée, sortie), permettant l'apprentissage de tâches complexes.
• Apprentissage supervisé : Méthode d'entraînement où le réseau apprend à partir d'exemples avec entrées et sorties correspondantes.
• Perceptron : Premier modèle de neurone artificiel capable de réaliser des classifications linéaires simples.

📝 Points essentiels