Les réseaux de neurones artificiels (RNA) sont des ordinateurs rapides, universels et robustes. Ils commencent à être utilisés couramment dans l’industrie. Ils ressemblent aux réseaux de neurones réels, mais la comparaison ne peut pas être poussée bien loin. Ce cours s’adresse à des non-spécialistes qui cherchent à comprendre les mots-clés, concepts fondamentaux, possibilités et limites des RNA.

Plan du cours:

1. Deux ou trois choses que nous savons sur les neurones biologiques. Marches ou fenêtres, interneurones. Capteurs. Il y a codage et codage. La dynamique rapide et la dynamique lente. Monsieur Pavlov et Monsieur Hebb. Les neurones formels, différentes schématisations. Les réseaux de neurones formels, architectures et fonctions. Le parallélisme. Les théorèmes d’universalité. La robustesse holographique.
2. Réseaux à sens unique. Les perceptrons. Problèmes séparables ou pas. Algorithme du perceptron. Les multicouches, classificateurs et prédicteurs. Quelques applications. Apprentissage local et non local. La rétropropagation des erreurs. Apprentissage supervisé, coût des bases de données et de l’apprentissage.
3. Réseaux complètement bouclés. Messieurs Glauber, Little et Liapounov à température nulle. Le modèle de Hopfield à température nulle. Zoologie élémentaire des attracteurs. Petite excursion à température finie pour le modèle de Hopfield et pour d’autres réseaux.
4. Modèle de Kohonen. Apprentissage non supervisé. Travaux pratiques: visualisation des migrations. Autre démonstration: mémoire associative avec fenêtres lorentziennes, bassins d’attraction complexes, apprentissage non local et problème du point de fonctionnement.