Réseau neuronal (NN)

Un réseau neuronal (RN) est un modèle informatique composé de nœuds interconnectés qui traitent l'information en imitant la structure biologique du cerveau humain. en imitant la structure biologique du cerveau humain. Pierre angulaire de l'intelligence de l 'intelligence artificielle (IA) moderne, ces réseaux sont capables d'apprendre à partir de données pour reconnaître des modèles, classify informations et prédire des résultats. Bien qu'il s'agisse d'un sous-ensemble de l'apprentissage automatique, les ils constituent un sous-ensemble de l'apprentissage machine (ML), les réseaux neuronaux se distinguent par leur capacité à modéliser des relations complexes et non linéaires. moteur de technologies révolutionnaires telles que l'IA générative et les systèmes autonomes. l 'IA générative et les systèmes autonomes. Vous pouvez lire sur l'inspiration biologique dans cette présentation des réseaux neuronaux par IBM.

Architecture d'un réseau neuronal

La structure d'un réseau neuronal est composée de couches de nœuds, souvent appelés neurones artificiels. Ces couches couches facilitent le flux de données de l'entrée à la sortie par le biais d'une série de transformations mathématiques.

• Couche d'entrée : C'est le point d'entrée où le réseau reçoit des données brutes données d'apprentissage brutes, telles que les valeurs des pixels d'une image ou les caractéristiques numériques d'un ensemble de données. ou des caractéristiques numériques d'un ensemble de données.
• Couches cachées : Situées entre l'entrée et la sortie, ces couches effectuent l'essentiel du calcul. calcul. Chaque neurone d'une couche cachée applique les poids et les biais du modèle à l'entrée qu'il reçoit. Pour décider si un neurone doit "se déclencher" ou transmettre un signal, une fonction d'activation, telle que le fonction d'activation, telle que ReLU ou Sigmoïde - estappliquée.
• Couche de sortie : La dernière couche produit la prédiction du réseau, telle qu'une étiquette de classification (par exemple, "chat" ou "chien") ou une valeur continue. (par exemple, "chat" ou "chien") ou une valeur continue.

Pour "apprendre", le réseau utilise un processus appelé l 'apprentissage du modèle. Pendant la formation, le réseau compare ses prédictions aux réponses correctes réelles à l'aide d'une fonction de perte. Un algorithme connu sous le nom de rétropropagation calcule ensuite le gradient d'erreur, et un algorithme d'optimisation comme la la descente stochastique du gradient (SGD) comme la descente Adam de gradient (SGD) ou Adam ajuste les poids pour minimiser les erreurs sur plusieurs époques. époques.

Réseaux neuronaux et apprentissage profond

Il est courant de confondre les réseaux neuronaux avec l'apprentissage profond (DL). l 'apprentissage profond (DL). La principale différence réside dans la la complexité et la profondeur. Un réseau neuronal "superficiel" peut n'avoir qu'une ou deux couches cachées. En revanche, le Deep l'apprentissage profond implique des réseaux neuronaux "profonds" avec de nombreuses couches cachées, ce qui permet au modèle d'apprendre automatiquement des caractéristiques hiérarchiques. hiérarchiques automatiquement. Pour en savoir plus sur cette distinction, consultez cette explication de l'apprentissage profond par MIT News. En pratique, tous les modèles d'apprentissage profond sont des réseaux neuronaux, mais tous les réseaux neuronaux ne peuvent pas être qualifiés d'apprentissage profond.

Applications concrètes

Les réseaux neuronaux stimulent l'innovation dans pratiquement tous les secteurs d'activité en automatisant des tâches qui nécessitaient auparavant l'intelligence humaine. humaine.

1. Vision par ordinateur : Dans le domaine de la vision par ordinateur (VA), des réseaux spécialisés appelés réseaux neuronaux convolutifs (CNN) sont utilisés pour analyser les données visuelles. En voici un exemple, Ultralytics YOLO11 utilise une architecture CNN profonde pour détection d'objets en temps réel, ce qui permet des applications allant de l 'IA dans l'agriculture pour la surveillance des cultures de sécurité dans les véhicules autonomes.
2. Traitement du langage naturel : Pour les tâches impliquant du texte et de la parole, des architectures telles que réseaux neuronaux récurrents (RNN) et les transformateurs sont dominantes. Ces réseaux alimentent les services de traduction automatique et les chatbots en en comprenant le contexte et la séquence. Vous pouvez voir l'impact de ces modèles sur les industries dans cet article sur l'IA dans le secteur de la santé, où ils à la transcription des notes médicales et à l'analyse des dossiers des patients.

Exemple de mise en œuvre

Les frameworks modernes facilitent le déploiement des réseaux neuronaux. Le code Python suivant montre comment charger un réseau neuronal pré-entraîné pré-entraîné (spécifiquement YOLO11) et d'exécuter l'inférence sur une image à l'aide de la commande ultralytics l'emballage.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Outils et écosystème

La construction de réseaux neuronaux nécessite des bibliothèques logicielles robustes. PyTorch et TensorFlow sont les deux frameworks open-source les plus populaires. offrant un support étendu pour la conception d'architectures personnalisées et l'utilisation de l'accélération GPU pour un apprentissage plus rapide. l 'accélérationGPU pour un apprentissage plus rapide. Pour ceux qui recherchent une expérience simplifiée, la plateformeUltralytics (lancement complet en 2026) offre un environnement complet pour la gestion des ensembles de données, l'entraînement de modèles tels que YOLO11 et la gestion du déploiement. Pour comprendre le matériel qui alimente ces réseaux, consultez le le guide deNVIDIA sur le calcul GPU .