Neurones formels

[flolight]

Bonsoir.
Je m'interresse aux neurones formels.
J'ai compris qu'un neurone réalise la somme des entrées pondérées par leurs poids.
Cependant, pour la suite, j'ai un gros doute...
Deux choses différentes possibles dans ma tête, et je ne sais pas laquelle est la bonne...
Soit : le neurone applique une fonction à cette somme et donc f(somme)=sortie

Soit : le neurone compare la somme à un seuil puis applique la fonction...
Tout cela est assez flou pour moi et je vous demande donc quelques explications qui me permettraient de comprendre.
Merci d'avance.

Flo.

[Dlzlogic]

Bonjour,
Votre question m'intéresse. Il me semble avoir vu deux ou trois trucs qui pourraient avoir un rapport avec cela. Où pourrais-je m'informer un peu plus ?

EDIT : J'ai trouvé un article très intéressant http://fr.wikipedia.org/wiki/Neurone_formel

[Elerinna]

Un bon sommaire d'introduction suit du sujet avec une passerelle sur des outils commerciaux disponibles.

[Dlzlogic]

Ce qui est bien avec les forums, c'est qu'on peut discuter, échanger des idées.
Vers les années 80, on parlait de systèmes experts. Je ne sais pas quelle était la méthode, mais le but était d'accumuler des infirmations pour pouvoir s'en resservir comme aide à la décision.
Soit on a rencontré des difficultés, soit les décideurs n'y croyaient pas, en tout cas, j'ai l'impression qu'on a laissé tomber cela. Il semble que de nouveau on commence à s'y intéresser. Tant mieux.
Sur un plan strictement technique, je ne comprend pas pourquoi on utilise une forme de somme pondérée et non un produit de puissance. En réalité, compte tenu du fait qu'on rajoute un w0 avec x0=1, ça ne change pas grand-chose. Tout étant basé sur la méthode d'évaluation des xi.
Quelqu'un aurait-il une idée ?

[flolight]

@Dlzlogic : Il y a deux dossiers universitaires à ce sujet
ici : http://www.google.com/url?q=http://scholar.google.com/scholar_url%3Fhl%3Dfr%26q%3Dhttp://www.neurones.espci.fr/Articles_PS/GAMI.pdf%26sa%3DX%26scisig%3DAAGBfm26XmmHXfBPjOSVFmR1sdPktR0WZQ%26oi%3Dscholarr&sa=X&ei=oF5iT9GtIsup0AXWoNSZCA&ved=0CBwQgAMoADAA&usg=AFQjCNEXtl5zHgXnXM-6edSwcsLaq5pY2A
et ici : http://www.google.com/url?q=http://scholar.google.com/scholar_url%3Fhl%3Dfr%26q%3Dhttp://www.episerv.org/reading/RNF.pdf%26sa%3DX%26scisig%3DAAGBfm0Bzj9nbR9mRisu_H978nls25auew%26oi%3Dscholarr&sa=X&ei=oF5iT9GtIsup0AXWoNSZCA&ved=0CB0QgAMoATAA&usg=AFQjCNHNfMudEXxZgrwlYrCVSqh-_rvewQ

Cette page peut aussi être interressante : http://alp.developpez.com/tutoriels/intelligence-artificielle/reseaux-de-neurones/

De même que ce site qui, entre autres, propose l'adresse d'une vidéo explicative assez claire (bien qu'en anglais) : http://sites.google.com/site/tipern/

Bonne lecture.

[Dlzlogic]

Bonjour,
Merci pour ces liens.
Je connais une utilisation de cette méthode, elle date des années 70 (version officielle 77).
Je peux l'expliquer et la détailler si ça vous intéresse, mais je crains que ça ne dépasse le sujet actuel.
La fonction peut se mettre sous la forme
sortie = f(somme).
La somme est constituée des produit pi * vi, où les pi sont des paramètres fixés après apprentissage et vi les valeurs correspondantes.
Si on fait un changement de variable vi -> ln(Vi), alors la fonction s'écrit
sortie = f(somme(pi * ln(Vi))
soit sortie = g(produit (Vi^pi))
enfin ln(sortie) = ln(produit(Vi^pi)) ... sauf erreur.
C'est là qu'intervient un terme supplémentaire appelé w0 dans une doc. Ce qui explique ma question précédente. (je m'embrouille un peu dans mes formules et dans mes explications, mais le principe est là)

En fait c'est le terme "poids" qui est un peu trompeur, puisqu'il sous-entend "moyenne pondérée", alors qu'il n'en est rien.

J'ai vu cette notion de seuil. Je suis sûr qu'un neurone ne fait aucun test, c'est à dire n'a pas le pouvoir de trier quoi que ce soit, c'est l'algorithme utilisateur qui est responsable du filtrage des valeurs d'entrée et de la vérification des valeurs de sortie.
L'avantage considérable de cette méthode est que les poids qui peuvent être la sortie d'autres neurones peuvent évoluer en fonction de nouvelles mesures, tout le reste étant invariant.
De la même façon, la même fonction peut être utilisée pour des poids dépendant de contextes différents.

[godzylla]

je me demandais s'il y avais une géométrie pour un neurone formel.

http://fr.wikipedia.org/wiki/Gradient

[Dlzlogic]

je me demandais s'il y avais une géométrie pour un neurone formel.

http://fr.wikipedia.org/wiki/Gradient

A mon avis ce sont deux notions différentes.
Un neurone formel est une méthode pour déterminer une valeur (sortie) si on connait les valeurs prises en entrée. C'est un constat instantané, à une date donnée et qui tient compte de l'apprentissage.
Le gradient est essentiellement un vecteur de variation, d'où un calcul par somme de différentielles partielles.
Si on répète le calcul du gradient, on aura toujours le même résultat.
Si on répète le calcul par la méthode du neurone formel, soit on n'a pas modifié les poids et on aura le même résultat, soit on a modifié les poids en profitant des utilisations précédentes, et c'est ça l'intérêt, alors on aura un résultat différent, normalement plus précis et plus fiable. Ceci est encore plus sensible en cas de neurone cyclique.
Il est vrai par ailleurs que la méthode du gradient peut servir à calculer la sortie.

[fatal_error]

Soit : le neurone applique une fonction à cette somme et donc f(somme)=sortie

Soit : le neurone compare la somme à un seuil puis applique la fonction...

la deuxieme alternative n'a pas de sens.
Car on peut tres bien ecrire une fonction du genre
[CODE]f:
calculer la somme S des entrees
si Sle neurone applique une fonction à cette somme et donc sortie = f(a_ix_i)
avec x_i la valeur des neurones "avant" et a_i le poids associé

je me demandais s'il y avais une géométrie pour un neurone formel.

La plupart des tes interventions sur les autres postes relèvent de hors sujet complet. Donc je veux bien admettre mon ignorance, mais tu pourrais de ton côté argumenter un minimum au lieu de balancer des questions sorties de nulle part.

[godzylla]

fatal_error: La plupart des tes interventions sur les autres postes relèvent de hors sujet complet.

on me le dit souvent, ce doit être vrai.
recopier les formules du cour de math ce n'est pas forcement répondre à la question.


Dlzlogic: Il est vrai par ailleurs que la méthode du gradient peut servir à calculer la sortie.

je me souviens pas bien, mais je sais que connaitre les gradients est utile pour comprendre les neurones formels
j’aurais pu parler d'asservissement des moteurs, j'ai entendu que c'étais assez similaire.

[fatal_error]

je me souviens pas bien, mais je sais que connaitre les gradients est utile pour comprendre les neurones formels

Quand bien même, quel est le rapport avec une géométrie d'un neurone formel??

Tout ce que je vois c'est que tu as une ame trolleur. J'espère te voir me montrer que j'ai tord.

[godzylla]

je parle géométrie algorithmique , plusieurs longueurs , une relation algebrique....

un peut comme thales ou pythagore, je parle pas des bonhommes.

[fatal_error]

Bonne continuation pour godzylla,

j'espère que flolight saura tirer au mieux parti des messages présents dans cette discussion...

[flolight]

En effet, cela m'a mis sur la piste et il me semble avoir bien compris.
De plus, j'ai lu l'article sur developpez.net qui est assez bien réalisé et éclaircit pas mal de choses sur le sujet.

Merci beaucoup à vous tous.