2.3.6.8 L'apprentissage
Selon les auteurs Aurélien [12]],[ Wikipédia
[16]],[ Marwa [23], La méthode de pa-ramétrage des poids
(apprentissage) est une caractéristique importante pour distinguer
2.3. LES ALGORITHMES DE MACHINE LEARNING CHAPITRE 2. REVUE DE LA
LITTÉRATURE
Figure 2.13 - Un perceptron
multicouche
tiréde SOLLAH [20]
Figure 2.14 - Un autre exemple
de
perceptron multicouche proposépar
Hervé[31]
différents types de réseaux de neurones. Deux modes
d'apprentissage existent : l'appren-tissage supervisé, et
l'apprentissage non supervisé.
1) L'apprentissage supervisé
Dans ce type d'apprentissage, les entrées et les
sorties sont fournies au préalable. Ensuite, le réseau traite les
entrées et compare ses résultats aux sorties souhaitées.
Les poids sont ensuite ajustés grâce aux erreurs propagées
à travers le système. Ce processus se produit à plusieurs
reprises tant que les poids sont continuellement améliorés.
L'ensemble de données qui permet l'apprentissage est
appelél'ensemble d'apprentissage. Selon Philippe [33]
2) L'apprentissage non supervisé
Dans l'apprentissage non supervisé, le réseau
est fourni avec des entrées mais pas avec les sorties souhaitées.
Le système lui-même doit alors décider quelles
fonctionnalités il utilisera pour regrouper les données
d'entrée. C'est ce qu'on appelle souvent l'auto-organisation ou
l'adaptation. Selon Wikipédia [16]
2.3.6.9 Avantages des réseaux de neurones
· Les réseaux de neurones sont souples et
génériques. Ils peuvent résoudre différents types
de problèmes dont le résultat peut être : une
classification, analyse de données, etc.
Mémoire de Master II en Informatique 42 c~NJAMEN M.
ZELKIF 2020-2021
·
2.3. LES ALGORITHMES DE MACHINE LEARNING CHAPITRE 2. REVUE DE LA
LITTÉRATURE
Mémoire de Master II en Informatique 43 c~NJAMEN M. ZELKIF
2020-2021
Ils traitent des problèmes non structurés sur
lesquels aucune information n'est disponible à l'avance.
· Les réseaux neuronaux se comportent bien parce
que même dans des domaines très complexes, ils fonctionnent mieux
que les arbres de statistique ou de décision.
· Les réseaux de neurones fonctionnent sur des
données incomplètes ou bruitées. Cette lacune
d'information peut être complétée par l'ajout d'autres
neurones à la couche cachée.
2.3.6.10 Inconvénients des réseaux de
neurones
· Détermination de l'architecture du réseau
est complexe.
· Paramètres difficiles à interpréter
(boite noire).
· Difficultéde paramétrage surtout pour
le nombre de neurone dans la couche cachée.
Il existe plusieurs algorithmes que l'on peut utiliser en
fonction des problèmes et surtout de la nature du jeu de données.
Ainsi, nous avons résumédans le tableau ci-dessous quelques
algorithmes à titre indicatif ou illustratif.
Supervised Learning
|
Unsupervised Learning
|
Reinforcement Learning
|
Artificial neural network
|
Artificial neural network
|
Q-learning
|
Bayesian statistics
|
Association rule learning
|
Learning automata
|
Case-based reasoning
|
Hierarchical clustering
|
|
Decision trees
|
Partitioned clustering
|
|
Learning automata
|
|
|
Instance-based learning
|
|
|
Regression analysis
|
|
|
Linear classifiers Decision trees
|
|
|
Bayesian networks
|
|
|
Hidden Markov models
|
|
|
|
Tableau 2.2 - Machine learning Algorithmus
| 
