 |
à l’écoute: Gravitational Waves |
 |
| Appollinaire : «On peut peindre avec ce qu’on voudra, avec des pipes, des timbres-postes, des cartes postales ou à jouer, des candélabres, des morceaux de toile cirée, des faux-cols, du papier peint, des journaux.»
Par extension, le numérique, en tant qu’outil graphique, confirmera la phrase du brigadier blessé à la tempe par un éclat d’obus le 17 mars 1916… |
|
|
J’appelle visuel l’image qui sert à ne pas regarder le monde.Serge Daney |
 Un réseau de neurones artificiels est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques.
Les réseaux de neurones sont généralement optimisés par des méthodes d’apprentissage de type probabiliste, en particulier bayésien. Ils sont placés d’une part dans la famille des applications statistiques, qu’ils enrichissent avec un ensemble de paradigmes permettant de créer des classifications rapides (réseaux de Kohonen en particulier), et d’autre part dans la famille des méthodes de l’intelligence artificielle auxquelles ils fournissent un mécanisme perceptif indépendant des idées propres de l’implémenteur, et fournissant des informations d’entrée au raisonnement logique formel. En modélisation des circuits biologiques, ils permettent de tester quelques hypothèses fonctionnelles issues de la neurophysiologie, ou encore les conséquences de ces hypothèses pour les comparer au réel. Les réseaux de neurones, en tant que systèmes capables d’apprendre, mettent en œuvre le principe de l’induction, c’est-à-dire l’apprentissage par l’expérience. Par confrontation avec des situations ponctuelles, ils infèrent un système de décision intégré dont le caractère générique est fonction du nombre de cas d’apprentissages rencontrés et de leur complexité par rapport à la complexité du problème à résoudre. Par opposition, les systèmes symboliques capables d’apprentissage, s’ils implémentent également l’induction, le font sur base de la logique algorithmique, par complexification d’un ensemble de règles déductives… Qu’on se le dise, non mais ! |
neural network |
