Deep learning

Neurone

Un neurone prend plusieurs données \(x_p\), leurs poids \(w_p\), et un biais \(b\), et fait la somme \(z = \sum_{i=0}^{p} x_i \times x_i + b\). Le neurone utilise ensuite sa fonction d’activation avec en paramètre \(z\).

Perceptron

Un perceptron fait une classification binaire supervisée (seulement sur des données linéairement séparables).

Le biais permet de déplacer la ligne de séparation, c’est lui qui déterminer la valeur à \(y=\).

Fonction d’activation

La fonction d’activation la plus utilisée est une sigmoïd, une fonction qui convertie une valeur quelconque en une valeur entre 0 et 1.

Il existe aussi, la fonction linéaire, une fonction seuil, ReLu (enlève les négatifs), radiale

Réseau de neurones

Un réseau de neurone est un enchaînement de neurones.
Chaque neuronnes ont leur propre poids et biais. On note \(\theta\) les paramètres du réseau de neurones (les différents poids et les différents biais).

Le deep learning est un réseau de neurones avec énormément de couches de neurones.

Retour
Cours précédent