Top Qs
Chronologie
Chat
Contexte
Perceptron
algorithme d'apprentissage supervisé De Wikipédia, l'encyclopédie libre
Remove ads
Le perceptron est un algorithme d'apprentissage supervisé de classifieurs binaires (c'est-à-dire séparant deux classes). Il a été inventé en 1957 par Frank Rosenblatt[1] au laboratoire d'aéronautique de l'université Cornell. Il s'agit d'un neurone formel muni d'une règle d'apprentissage qui permet de déterminer automatiquement les poids synaptiques de manière à séparer un problème d'apprentissage supervisé. Si le problème est linéairement séparable, un théorème assure que la règle du perceptron permet de trouver une séparation entre les deux classes.
Remove ads
Définition
Résumé
Contexte
Le perceptron peut être vu comme le type de réseau de neurones le plus simple. C'est un classifieur linéaire. Ce type de réseau neuronal ne contient aucun cycle (il s'agit d'un réseau de neurones à propagation avant). Dans sa version simplifiée, le perceptron est mono-couche et n'a qu'une seule sortie (booléenne) à laquelle toutes les entrées (booléennes) sont connectées. Plus généralement, les entrées peuvent être des nombres réels.
Un perceptron à n entrées et à une seule sortie o est défini par la donnée de n poids (aussi appelés coefficients synaptiques[réf. nécessaire]) et un biais (ou seuil) par[2],[3]:
La sortie o résulte alors de l'application de la fonction de Heaviside au potentiel post-synaptique , où la fonction de Heaviside est :
On a alors . La fonction est non linéaire et appelée fonction d'activation. Une alternative couramment employée est , la tangente hyperbolique.
Remove ads
Exemple

La figure de droite montre un perceptron avec 2 entrées et . Les poids sont marqués sur les arcs : 1 et 1. Le biais est de 1. Ce perceptron calcule le OU logique de et , comme le montre la table suivante :
Remove ads
Algorithme d'apprentissage
Résumé
Contexte
Notations
Dans la suite de cet article, on considère un échantillon fini de données labélisées , avec pour tout , , où [a], et . On dit alors que les vecteurs sont les « exemples » et que les points sont leurs « classes ». Puisque le perceptron ne traite que les problèmes de classification binaire, les ne peuvent prendre que deux valeurs, par convention et .
Enfin, on pose , et .
On suppose également que est linéairement séparable, donc est (strictement) positif. Le fait que soit non-nul découle du lemme suivant :
Lemme de séparabilité linéaire stricte[4] — S'il existe un hyperplan séparant deux classes de données, alors il existe un hyperplan les séparant et tel qu'aucun exemple ne se trouve dessus, i.e. :
Énoncé
Il existe plusieurs algorithmes d'apprentissage pour un perceptron. L'un des premiers est l'algorithme du perceptron de Rosenblatt, inventé en 1957, qui a pour but de trouver les paramètres d'un hyperplan séparant correctement les deux classes de données[6],[7] :
Entrées : un échantillon de données labélisées Sortie : la matrice de poids telle que 1 Initialiser 2 Répéter 3 Pour à 4 Si alors 5 6 Fin pour 7 jusqu'à ce qu'il n'y ait plus d'erreurs 8 Retourner
L'algorithme du perceptron de Rosenblatt est un cas particulier de l'algorithme du gradient stochastique utilisant comme fonction objectif , où est l'ensemble des exemples mal classés ; et un taux d'apprentissage de [8].
Convergence
La convergence de l'algorithme est démontrée en 1962 par Novikoff.
Théorème de convergence de Novikoff[9],[10] — L'algorithme du Perceptron de Rosenblatt converge si et seulement si l'échantillon de données entré est linéairement séparable. La convergence se fait en au plus itérations.
Lorsque les données entrées ne sont pas linéairement séparables, l'algorithme ne converge pas, et la suite est périodique. Le cycle peut cependant être long et difficile à détecter.
Remove ads
Règle de Hebb
Résumé
Contexte
La règle de Hebb, établie par Donald Hebb[12], est une règle d'apprentissage des réseaux de neurones artificiels dans le contexte de l'étude d'assemblées de neurones.
Cette règle suggère que lorsque deux neurones sont excités conjointement, ils créent ou renforcent un lien les unissant.
Dans le cas d'un neurone artificiel seul utilisant la fonction signe comme fonction d'activation cela signifie que :
où représente le poids corrigé et représente le pas d'apprentissage.
Cette règle n'est malheureusement pas applicable dans certains cas bien que la solution existe.
Remove ads
Règle d'apprentissage du perceptron (loi de Widrow-Hoff)
Résumé
Contexte
Le perceptron de Frank Rosenblatt est très proche de la règle de Hebb, la grande différence étant qu'il tient compte de l'erreur observée en sortie.
Cette fonction est recommandée lorsque la tangente hyperbolique (tanh) est utilisée comme fonction d'activation.
avec :
- = le poids corrigé ;
- = sortie attendue ;
- = sortie observée ;
- = le taux d'apprentissage ;
- = l'entrée du poids pour la sortie attendue ;
- = le poids actuel.
Remove ads
Notes et références
Voir aussi
Bibliographie
Wikiwand - on
Seamless Wikipedia browsing. On steroids.
Remove ads