3.6. APPRENTISSAGE DES RÉSEAUX DE NEURONES
Pour un modèle type réseau de neurones,
l'apprentissage peut être considéré comme le
problème de la mise à jour des poids des connexions au sein du
réseau, afin de réussir la tâche qui lui est
demandée. En effet, parmi les propriétés des
réseaux de neurones, la plus fondamentale est sûrement la
capacité d'apprendre, et donc d'améliorer sa performance à
travers un processus d'apprentissage ou de calage. Cependant, dans la
littérature, il n'existe pas de définition
générale, universellement acceptée ; car, ce concept
touche, d'après Parizeau (2004), à trop de notions distinctes qui
dépendent du point de vue du modélisateur. Il donne alors la
définition suivante : "L'apprentissage est un processus dynamique et
itératif
permettant de modifier les paramètres d'un
réseau de neurones en réaction avec les stimuli qu'il
reçoit de son environnement". L'apprentissage étant la
caractéristique principale des réseaux de neurones formels, il
peut se faire de différentes manières et selon différentes
règles. C'est le lieu ici de faire la part des choses entre mode
d'apprentissage et règle d'apprentissage. Le mode d'apprentissage
intéresse la manière dont les changements de paramètres
surviennent pendant le processus ; et, la règle d'apprentissage concerne
le type d'algorithme mathématique utilisé. Au niveau du mode
d'apprentissage, Roussillon, (2004) détermine deux classes à
savoir l'apprentissage supervisé et l'apprentissage non
supervisé. Parizeau (2004), va plus loin et détermine trois types
d'apprentissage : le mode supervisé, le mode renforcé et le mode
non-supervisé. On peut ajouter à ces trois types d'apprentissage,
le mode hybride. Concernant les règles d'apprentissage, on en
dénombre quatre : la règle de correction de l'erreur, la
règle de Boltzmann, la règle de Hebb et enfin la règle par
compétition.
3.6.1. Différentes approches d'apprentissage
Les quatre modes d'apprentissage pour les réseaux de
neurones sont ici présentés :
i. Mode supervisé (utiisé dans cette
étude) : Dans ce type d'apprentissage, le réseau
s'adapte par comparaison entre le résultat qu'il a
calculé, en fonction des entrées fournies, et la réponse
attendue à la sortie. Ainsi, le réseau va se modifier
jusqu'à ce qu'il trouve la bonne sortie, c'est-à-dire celle
attendue, correspondant à une entrée donnée ;
ii. Mode renforcé. : Le renforcement
est en fait une sorte d'apprentissage supervisé et certains auteurs le
classe d'ailleurs, dans la catégorie des modes supervisés. Dans
cette approche, le réseau doit apprendre la corrélation
entrée/sortie via une estimation de son erreur, c'est-à-dire du
rapport échec/succès. Le réseau va donc tendre à
maximiser un index de performance qui lui est fourni, appelé signal de
renforcement. Le système étant capable ici, de savoir si la
réponse qu'il fournit est correcte ou non, mais il ne connaît pas
la bonne réponse ;
iii. Mode non-supervisé (ou auto
organisationnel). : Dans ce cas, l'apprentissage est
basé sur des probabilités. Le réseau va se
modifier en fonction des régularités statistiques de
l'entrée et établir des catégories, en attribuant et en
optimisant une valeur de qualité, aux catégories reconnues. En
effet, le réseau doit détecter des points
communs aux exemples présentés, et modifier les
poids, afin de fournir la même sortie pour les entrées aux
caractéristiques proches (Roussillon, 2004) ;
iv. Mode hybride. : Le mode hybride comprend
à la fois l'apprentissage supervisé et l'apprentissage non -
supervisé.
|