Un réseau de neurones est un type d’apprentissage automatique qui s’inspire du cerveau humain. Cela crée un réseau de neurones artificiel qui, via un algorithme, permet à l'ordinateur d'apprendre en intégrant de nouvelles données..

Bien qu'il existe de nombreux algorithmes d'intelligence artificielle de nos jours, les réseaux de neurones sont capables de réaliser ce que l'on appelle l'apprentissage en profondeur. Alors que l’unité de base du cerveau est le neurone, la pierre angulaire d’un réseau de neurones artificiels est un perceptron qui effectue un traitement de signal simple, qui est ensuite connecté à un grand réseau maillé..

L'ordinateur avec le réseau de neurones apprend à effectuer une tâche en analysant des exemples de formation, préalablement étiquetés à l'avance. Un exemple courant de tâche pour un réseau de neurones utilisant l'apprentissage en profondeur est une tâche de reconnaissance d'objet, où le réseau de neurones est présenté avec un grand nombre d'objets d'un certain type, tel qu'un chat ou un panneau de signalisation, et l'ordinateur. en analysant les motifs récurrents dans les images présentées, apprend à classer de nouvelles images.

Comment les réseaux de neurones apprennent

Contrairement aux autres algorithmes, les réseaux de neurones avec leur apprentissage en profondeur ne peuvent pas être programmés directement pour la tâche. Tout comme le cerveau en développement d'un enfant, ils ont besoin d'apprendre l'information. Les stratégies d'apprentissage utilisent trois méthodes:

  • Enseignement supervisé: Cette stratégie d'apprentissage est la plus simple, car il existe un jeu de données étiqueté que l'ordinateur parcourt et l'algorithme est modifié jusqu'à ce qu'il puisse traiter le jeu de données pour obtenir le résultat souhaité..
  • Apprentissage non supervisé: Cette stratégie est utilisée dans les cas où il n'y a pas de jeu de données étiqueté disponible pour apprendre. Le réseau de neurones analyse l'ensemble de données, puis une fonction de coût indique au réseau de neurones à quelle distance de la cible il était. Le réseau de neurones s’ajuste ensuite pour augmenter la précision de l’algorithme.
  • Apprentissage renforcé: Dans cet algorithme, le réseau de neurones est renforcé pour obtenir des résultats positifs et puni pour un résultat négatif, forçant le réseau de neurones à apprendre au fil du temps..

Histoire des réseaux de neurones

Les réseaux de neurones représentent certes une technologie informatique moderne et puissante, mais l’idée remonte à 1943; deux chercheurs de l’Université de Chicago, Warren McCullough, neurophysiologiste et Walter Pitts, mathématicien.

Leur papier, “Un calcul logique des idées immanentes à l'activité nerveuse,” a été publié pour la première fois dans la revue Brain Theory, qui a popularisé la théorie selon laquelle l'activation d'un neurone est l'unité de base de l'activité cérébrale. Cependant, cet article avait plus à voir avec le développement des théories cognitives à l'époque, et les deux chercheurs passèrent au MIT en 1952 pour créer le premier département de sciences cognitives..

Les réseaux de neurones dans les années 50 constituaient un terrain fertile pour la recherche sur les réseaux de neurones par ordinateur, notamment le Perceptron, qui permettait une reconnaissance visuelle des formes basée sur l’œil composé d’une mouche. En 1959, deux chercheurs de l’Université de Stanford ont développé MADALINE (Multiple ADAptive LINear Elements), avec un réseau de neurones allant au-delà de la théorie et abordant un problème réel. MADALINE a été spécifiquement appliqué pour réduire la quantité d'écho sur une ligne téléphonique, pour améliorer la qualité de la voix, et a été un tel succès qu'il est resté utilisé commercialement à l'époque actuelle..

En dépit de l'enthousiasme initial suscité par les réseaux de neurones artificiels, un ouvrage remarquable publié en 1969 par le MIT et intitulé Perceptrons: Une introduction à la géométrie algorithmique tempérait ce phénomène. Les auteurs ont exprimé leur scepticisme vis-à-vis des réseaux de neurones artificiels et ont expliqué à quel point cela était probablement une impasse dans la quête d'une véritable intelligence artificielle. Cela a considérablement atténué ce domaine de recherche tout au long des années 1970, tant pour l'intérêt général que pour le financement. Malgré cela, certains efforts se poursuivent et, en 1975, le premier réseau multicouche est développé, ouvrant la voie à un développement plus poussé des réseaux de neurones, une réalisation que certains jugeaient impossible moins de dix ans.

L’intérêt pour les réseaux de neurones s’est considérablement accru en 1982 lorsque John Hopfield, professeur à l’Université de Princeton, a inventé le réseau de neurones associatifs; L'innovation était que les données pouvaient voyager dans les deux sens, car auparavant, ce n'était qu'unidirectionnel et est également connu pour son inventeur en tant que réseau Hopfield. À l'avenir, les réseaux de neurones artificiels jouissent d'une popularité et d'une croissance importantes.

Utilisation dans le monde réel pour les réseaux de neurones

La reconnaissance de l'écriture manuscrite est un exemple de problème réel pouvant être abordé via un réseau de neurones artificiels. Le défi, c’est que les humains peuvent reconnaître l’écriture manuscrite avec une intuition simple, mais le défi informatique est que l’écriture manuscrite de chaque personne est unique, avec des styles différents et même un espacement différent entre les lettres, ce qui rend difficile une reconnaissance constante..

Par exemple, la première lettre, la lettre majuscule A, peut être décrite comme trois lignes droites où deux se rencontrent en haut et la troisième en travers des deux autres à mi-chemin, ce qui est logique pour les humains, mais représente un défi pour exprimer cela dans un algorithme informatique.

En suivant l’approche de réseau de neurones artificiels, l’ordinateur reçoit des exemples d’entraînement de caractères manuscrits connus, préalablement identifiés par la lettre ou le chiffre auquel ils correspondent, puis par l’algorithme, l’ordinateur apprend ensuite à reconnaître chaque caractère, ainsi que les données. le jeu de caractères est augmenté, ainsi que la précision. La reconnaissance de l'écriture manuscrite a diverses applications, telles que la lecture automatique d'adresses sur des lettres du service postal, la réduction de la fraude bancaire sur les chèques, la saisie de caractères pour l'informatique au stylo.

Un autre type de problème pour un réseau de neurones artificiels est la prévision des marchés financiers. Cela va également sous le terme «trading algorithmique» et a été appliqué à tous les types de marchés financiers, des marchés boursiers, des matières premières, des taux d'intérêt et des devises diverses. Dans le cas du marché boursier, les traders utilisent des algorithmes de réseau de neurones pour rechercher des actions sous-évaluées, améliorer les modèles d'actions existants et utiliser les aspects d'apprentissage en profondeur pour optimiser leur algorithme en fonction de l'évolution du marché. Il existe désormais des sociétés spécialisées dans les algorithmes de négociation d'actions sur réseau neuronal, par exemple MJ Trading Systems..

Les algorithmes de réseaux de neurones artificiels, avec leur flexibilité inhérente, continuent à être appliqués à la reconnaissance de modèles complexes et aux problèmes de prédiction. Outre les exemples ci-dessus, cela inclut des applications variées telles que la reconnaissance faciale sur des images de médias sociaux, la détection du cancer pour l'imagerie médicale et la prévision professionnelle..

  • Intéressé par l'IA? Nous avons mis en évidence 7 utilisations quotidiennes de l'IA auxquelles vous n'aviez jamais pensé