Réseaux neuronaux artificiels

• La détection des fraudes à la carte de crédit et à l'assurance-maladie.
• L'optimisation de la logistique pour les réseaux de transport.
• La reconnaissance des caractères et de la voix, également connue sous le nom de traitement du langage naturel.
• Le diagnostic médical et pathologique.
• Le marketing ciblé.
• Les prévisions financières concernant les cours des actions, les devises, les options, les contrats à terme, les faillites et la notation des obligations.
• Les systèmes de contrôle robotique.

• La prévision de la charge électrique et de la demande d'énergie.
• Le contrôle des processus et de la qualité.
• L'identification des composés chimiques.
• L'évaluation de l'écosystème.
• La vision par ordinateur pour l'interprétation de photos et de vidéos brutes (par exemple, pour l'imagerie médicale, la robotique et la reconnaissance faciale).

Un réseau neuronal simple comprend une couche d'entrée, une couche de sortie (ou cible) et, entre les deux, une couche cachée. Les couches sont connectées par des nœuds et ces connexions forment un "réseau" – le réseau neuronal – de nœuds interconnectés.

Un nœud s'inspire d'un neurone du cerveau humain. Comme les neurones, les nœuds sont activés lorsqu'il y a suffisamment de stimuli ou d'entrées. Cette activation se propage dans tout le réseau, créant une réponse aux stimuli (sortie). Les connexions entre ces neurones artificiels agissent comme de simples synapses, permettant aux signaux d'être transmis de l'un à l'autre. Les signaux traversent les couches en allant de la première couche d'entrée à la dernière couche de sortie – et sont traités en cours de route.

Lorsqu'ils sont confrontés à une demande ou à un problème à résoudre, les neurones effectuent des calculs mathématiques pour déterminer s'il y a suffisamment d'informations pour les transmettre au neurone suivant. Plus simplement, ils lisent toutes les données et déterminent où se trouvent les relations les plus fortes. Dans le type de réseau le plus simple, les données reçues sont additionnées et si la somme est supérieure à un certain seuil, le neurone "se déclenche" et active les neurones auxquels il est connecté.

L'augmentation du nombre de couches cachées au sein d'un réseau neuronal donne naissance à des réseaux neuronaux profonds. Les architectures de deep learning font passer les réseaux neuronaux simples au niveau supérieur. En utilisant ces couches, les data scientists peuvent construire leurs propres réseaux de deep learning qui permettent le machine learning, lequel peut entraîner un ordinateur à imiter avec précision des tâches humaines, telles que la reconnaissance vocale, l'identification d'images ou la réalisation de prédictions. Tout aussi important, l'ordinateur peut apprendre par lui-même en reconnaissant des tendances dans de nombreuses couches de traitement.

Maintenant, mettons cette définition en pratique. Les données sont introduites dans un réseau neuronal par la couche d'entrée qui communique avec les couches cachées. Le traitement a lieu dans les couches cachées par le biais d'un système de connexions pondérées. Les nœuds de la couche cachée combinent ensuite les données de la couche d'entrée avec un ensemble de coefficients et attribuent les poids appropriés aux entrées. Ces produits d'entrée pondérés sont ensuite additionnés. La somme passe par la fonction d'activation d'un nœud, qui détermine dans quelle mesure un signal doit progresser dans le réseau pour affecter la sortie finale. Enfin, les couches cachées sont reliées à la couche de sortie – où les résultats sont récupérés.