Apprentissage des réseaux de neurones

Apprentissage des réseaux de neurones

Applications de l’apprentissage artificiel

Un programme est plus efficace s’il est doté d’une possibilité d’apprentissage. Reprenons pour cela les applications de l’intelligence artificielle et de la reconnaissance des formes.
Un programme de reconnaissance de la parole augmente ses performances au fur et à mesure de son utilisation par la même personne : c’est une expérience qu’il est aujourd’hui facile de faire en pratique si nous achetons un logiciel personnel de dictée vocale.
Un programme de détection des ressources terrestres apprend à reconnaître une zone de pollution au milieu de la mer, à partir d’une base de données d’exemples d’images de zones connues comme propres ou comme polluées : cette base de données lui sert d’expérience pour déterminer sa décision sur une zone inconnue.
Un programme de diagnostic sur un ensemble d’informations évolutives prises sur un patient doit avoir été pourvu de connaissances, à partir de diagnostics de praticiens et d’experts sur des situations types. Mais il doit aussi avoir été doté d’un module de généralisation, de façon à réagir correctement à des situations auxquelles il n’a jamais été confronté exactement.

Situation historique de l’apprentissage artificiel

Traditionnellement, le domaine de l’apprentissage automatique est considéré symbolique est né vers la fin des années 50, comme une branche dissidente de l’Intelligence Artificielle classique, avec la publication des travaux de Rosenblatt sur le Perceptron [Rosenblatt 75]. Historiquement, c’est là le fruit de la rencontre de l’Intelligence Artificielle et des Neurosciences. Ce que nous avons alors appelé la branche “connexionnisme” de l’IA ambitionnait de parvenir à créer des machines capables d’intelligence en tentant d’imiter le fonctionnement des systèmes nerveux biologiques, ou tout du moins en s’inspirant fortement des connaissances sur les réseaux de neurones biologiques, et présentait un départ radical de l’approche symbolique de logique “Aristotélicienne” adoptée par l’IA classique. Ainsi ont été développés les réseaux de neurones artificiels.

Les statistiques non paramétriques

Là, la plupart des études statistiques s’intéressent aux propriétés de convergence et consistance de l’estimateur quand le nombre d’exemples tend vers l’infini. Les recherches en apprentissage automatique se sont quant à elles concentrées davantage sur des problèmes réels complexes, où il serait absurde de croire que l’on puisse disposer du vrai modèle, et où l’on est également loin d’avoir une quantité illimitée de données. Bien que les statistiques classiques se soient un peu intéressées à ces questions, depuis l’avènement de l’informatique ce champ d’investigation a surtout été exploré par la communauté de l’apprentissage automatique.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Résumé
Table des matières
Table des illustrations
Introduction générale
Chapitre 1 : Apprentissage artificiel
1. Quelques définitions de base de l’apprentissage artificiel
1.1. Définition 1 (Webster)
1.2. Définition 2 (Sim 83)
1.3. Définition 3 (Mit 97)
2. L’intérêt de l’apprentissage artificiel
3. Applications de l’apprentissage artificiel
4. Situation historique de l’apprentissage artificiel
5. L’apprentissage artificiel et les statistiques classiques
5.1. Les statistiques paramétriques
5.2. Les statistiques non paramétriques
II. Apprentissage automatique (Artificiel)
1. Les tâches de l’apprentissage
1.1. L’apprentissage supervisé
1.2. L’apprentissage non supervisé
1.3. L’apprentissage par renforcement
1.4. Relations entre les techniques
2. L’induction
2.1. Définition
2.2. Typologie le l’induction
2.3. Problème de l’induction
2.4. Différents formalismes de l’apprentissage par induction
3. Formalisation de l’apprentissage exact
3.1. Identification de la limite
3.2. Résultats
4. Formalisation de l’apprentissage statistique
4.1. Minimisation du risque empirique
4.2. Dilemme biais variance
III. Méthodes d’apprentissage automatique
1. Méthodes d’apprentissage empirique
1.1. Apprentissage par analogie
1.2. Apprentissage par induction
2. Méthodes d’apprentissage fondé sur l’explication
IV. Approches symboliques de l’apprentissage automatique
1. Arbres de décision
1.1. L’apprentissage dans les arbres de décision
1.2. Les systèmes fondés sur les arbres de décision
2. Les algorithmes génétiques
2.1. Principes de base
2.2. Induction de règles à partir d’exemples
3. Les raisonnements fondés sur des cas “CBR“
3.1. Principes de base
V. Approches connexionnistes de l’apprentissage automatique
1. Classification et propriétés
1.1. Principes de l’apprentissage connexionniste
1.2. Bases de données d’apprentissage
1.3. Méthodes d’apprentissage connexionniste
1.4. Les architectures des réseaux de neurones
1.5. Les différentes tâches d’un réseau de neurones
Chapitre 2 : Réseaux de neurones artificiels
I. Introduction
1. Historique des réseaux de neurones
II. Neurones biologiques et formels
1. Définition
2. Neurone biologique
2.1. Description d’un neurone
2.2. La synapse
2.3. Principe de fonctionnement
3. Neurone formel
3.1. Définition
3.2. Modélisation
III. Réseaux de neurones artificiels
1. Définition
2. Objectif
3. Fonctionnement
4. Différents réseaux de neurones
4.1. Les réseaux de neurones statiques
4.2. Les réseaux de neurones dynamiques
5. Propriétés fondamentales des réseaux de neurones
5.1. L’approximation universelle
5.2. La parcimonie
6. Boites à outils neuronales
7.1. La régression non linéaire
7.2. La modélisation
7.3. La commande de processus
7.4. La classification
IV. Apprentissage des réseaux de neurones
1. Procédure d’apprentissage d’un réseau de neurones
2. Position du problème
3. Fonction de coût
3.1. Présentation
3.2. Fonction de coût des moindres carrés
3.3. Minimisation de la fonction de coût
4. Le calcul du gradient
5. L’algorithme d’optimisation (apprentissage)
V. Les différents algorithmes d’apprentissage
1. Modèles linéaires par rapport aux paramètres
2. Modèles non linéaires par rapport aux paramètres
2.1. Méthode du gradient à pas constant
2.2. Méthode du gradient à pas variable
2.3. Méthode de Newton
2.4. Méthode de quasi Newton
2.5. Méthode de Levenberg Marquardt
VI. Amélioration de l’apprentissage
1. Normalisation
2. Optimisation de l’architecture
2.1. L’approche par sélection
2.2. L’approche incrémentale
VII. Conclusion
Chapitre 3 : Généralités en cardiologie
I. Introduction
II. Le système cardiovasculaire
III. Anatomie du cœur
1. Activité électrique du cœur
2. Activité mécanique du cœur
IV. L’électrocardiogramme (ECG)
1. Historique
2. Principe
3. Caractéristiques d’un battement cardiaque
4. Rôle de l’électrocardiogramme
V. Troubles du rythme cardiaque
1. Le rythme cardiaque
2. Les arythmies cardiaques
2.1. Extrasystole ventriculaire
2.2. Les arythmies à base de fréquence
2.3. Les arythmies à base de régularité
VI. Conclusion
Chapitre 4 : Résultats et interprétations
I. Introduction
II. Les bases de données médicales
1. La base de données MIT BIH
2. Base d’exemples utilisé
III. Extraction des descripteurs
1. Intervalle RRp
2. Intervalle RRs
3. Rapports des intervalles RRs/RRp
4. Largeur du complexe QRS
5. Distance PP
6. Energie du complexe QRS
IV. Apprentissage des réseaux de neurones
1. Phase d’apprentissage
2. Phase de test (validation)
V. Conception des réseaux de neurones
1. Architectures
2. Fonctions d’activation
3. Algorithmes d’apprentissage
VI. Différents scénarios d’expérimentation
1. Phase d’apprentissage
1.1. Apprentissage avec la base mixte
1.2. Apprentissage avec la base des battements “N“
1.3. Apprentissage avec la base des battements “V“
2. Phase de test
2.1. Evaluation avec la base des battements mixte
2.2. Evaluation avec la base des battements “N“
2.3. Evaluation avec la base des battements “V“
VII. Conclusion
Conclusion générale
Bibliographie
Annexes