Le perceptron dans les réseaux de neurones

Le perceptron est le premier algorithme proposé dans l'histroire des réseaux de neurones artificiels. Le mot perceptron est aujourd'hui associé à sa représentation graphique:

Le perceptron est une représentation graphique d'une fonction mathématique composée de deux parties. À gauche, le perceptron calcule la somme pondérée des entrées \( x_i \), la partie droite est une fonction appelée fonction d'activation choisie en fonction du type de réseau. De manière générale, il est préférable que cette fonction soit dérivable. La fonction de transfert globale du réseau est donnée par :

$$ y(x_i,w_i)= f(w_1 x_1 + w_2 x_2 + ... + w_N x_N) $$

$$ y(x_i,w_i)= \sum_{i=1}^N w_i x_i $$

Le perceptron, aussi appelé neurone, est la brique de base des réseaux de neurones. En assemblant ces blos, il devient possible de créer des réseaux plus complexes.

Voir aussi

• Régression non linéaire avec un réseau de neurones
• Jeux de données pour l'apprentissage profond
• Exemple de descente de gradient
• Quelle est la popularité des réseaux de neurones dans le temps ?
• Installation de TensorFlow et Keras sous Linux
• Démonstration de la règle d'apprentissage
• Exemple en régression linéaire
• Fonctions d'activation les plus utilisées en apprentissage profond
• Principaux papiers de recherches relatif au Deep learning
• Le réseau de neurones le plus simple avec TensorFlow
• Perceptron simpliste
• Algorithme d'apprentissage pour réseaux sans couches cachées
• Exemple de classification
• Descente de gradient pour les réseaux de neurones
• Limitations des réseaux sans couches cachées
• Réseaux de neurones

---