Réseau de Neurones Artificiels
Modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques.
Un réseau de neurones artificiels (RNA) est un modèle d’apprentissage automatique composé de couches de “neurones” reliés entre eux. Chaque neurone reçoit des valeurs en entrée, les combine via des poids (paramètres), applique une fonction d’activation (souvent non linéaire) et produit une sortie. En empilant plusieurs couches, le modèle peut apprendre des relations complexes entre des données d’entrée (texte, images, séries temporelles) et une sortie (classe, valeur, séquence).
Comment ça apprend
L’apprentissage consiste à ajuster les poids pour réduire une fonction de perte (erreur entre prédictions et vérité). Le mécanisme clé est la rétropropagation du gradient (backpropagation), qui calcule comment chaque poids influence l’erreur, puis une méthode d’optimisation (ex. descente de gradient, Adam) met à jour ces poids.
À quoi ça sert
Les réseaux de neurones sont utilisés pour :
- Classification (spam/non-spam, objets dans une image)
- Régression (prévision de prix, demande)
- Traitement du langage (traduction, résumé, chatbots)
- Vision (détection, segmentation)
- Audio (reconnaissance vocale)
Exemples courants
- CNN pour l’image
- RNN/LSTM pour les séquences
- Transformers pour le texte et, de plus en plus, l’image et l’audio