Système Nerveux et Réseaux de Neurones

Le système nerveux est responsable du traitement de l'information et de la communication dans le corps. Il reçoit des signaux, les traite et envoie des instructions aux autres parties du corps.

Le cerveau est le centre de contrôle du système nerveux. Il reçoit des informations sensorielles, les traite et génère des pensées, des idées et des instructions pour le corps.

La moelle épinière est une extension du cerveau qui descend le long du dos. Elle transmet les messages du cerveau au corps et vice versa.

Les nerfs sont des « câbles » qui transmettent des messages nerveux entre le cerveau, la moelle épinière et le reste du corps.

Le neurone est la cellule de base du système nerveux. Il est responsable de la réception, du traitement et de la transmission des informations.

L'apprentissage automatique (ML) est un type d'intelligence artificielle qui permet aux ordinateurs d'apprendre à partir de données sans être explicitement programmés. Il utilise des algorithmes pour analyser les données et identifier des tendances.

Le perceptron est un type de réseau de neurones artificiel qui peut être utilisé pour la classification. Il apprend à identifier les caractéristiques d'un ensemble de données et à les classer en différentes catégories.

Ce sont les capteurs du neurone qui reçoivent des informations électriques d'autres neurones et les transmettent au corps cellulaire.

Le corps central du neurone qui contient le noyau et traite les informations reçues des dendrites pour décider d'envoyer ou non un signal à l'axone.

Un long prolongement qui transmet un signal électrique du corps cellulaire vers la synapse.

Une substance isolante qui entoure l'axone et accélère la propagation du signal.

La zone de communication entre deux neurones où les signaux chimiques (neurotransmetteurs) sont utilisés.

Le processus par lequel les neurones reçoivent et traitent des informations pour déclencher ou non l'envoi d'un signal.

Un modèle simplifié et mathématique du fonctionnement d'un neurone biologique.

La communication entre les neurones se fait par deux types de signaux : électrique à l'intérieur du neurone et chimique entre les neurones.

Une technique d'apprentissage utilisée dans les réseaux de neurones. Elle consiste à ajuster les poids et les biais du réseau en fonction de l'erreur lors de la prédiction. Le but est de minimiser l'erreur globale.

Le taux d'apprentissage, ou η, contrôle la taille des ajustements apportés aux poids et aux biais lors de la descente de gradient. Un taux d'apprentissage élevé peut conduire à des changements rapides mais instables, tandis qu'un taux d'apprentissage faible peut conduire à des changements lents et stables.

Un type de réseau de neurones qui possède une seule couche de sortie et peut avoir plusieurs couches cachées. Il est utilisé pour la classification supervisée et peut apprendre des relations complexes entre les données.

La première couche d'un MLP, elle reçoit les données d'entrée, chaque neurone représentant une caractéristique.

Les couches intermédiaires d'un MLP, elles traitent les informations reçues de la couche d'entrée en utilisant des fonctions d'activation.

La dernière couche d'un MLP. Elle produit la sortie finale du réseau.

Une fonction mathématique utilisée dans les réseaux de neurones pour ajouter de la non-linéarité et permettre d'apprendre des relations complexes.

Le perceptron est un type de réseau de neurones qui ne possède qu'une seule couche et est utilisé pour la classification binaire. Il n'est efficace que pour les données linéairement séparables.

Un neurone formel s'active lorsque la somme des produits des entrées et de leurs poids correspondants dépasse un seuil prédéfini.

Le neurone formel présente des sorties discrètes (0 ou 1), limitant sa capacité à représenter des informations continues.

Le neurone formel n'est pas capable de résoudre des problèmes où la relation entre les entrées et les sorties n'est pas linéaire.

Le neurone formel est statique et ne peut pas ajuster ses poids ou son biais automatiquement en fonction des données.

Le neurone artificiel, inspiré du neurone formel, offre des fonctionnalités plus avancées pour apprendre des relations complexes.

La fonction sigmoïde est une fonction d'activation utilisée dans les réseaux de neurones pour produire des sorties continues comprises entre 0 et 1.

La fonction tangente hyperbolique (Tanh) est une autre fonction d'activation populaire, produisant des sorties continues comprises entre -1 et 1.

La fonction ReLU (Rectified Linear Unit) est une fonction d'activation simple et efficace qui est utilisée dans de nombreux réseaux de neurones.

Un algorithme d'apprentissage supervisé qui utilise un ensemble de données étiquetées pour ajuster les poids et le biais d'un perceptron afin de trouver un hyperplan de séparation qui classe correctement les données.

Une fonction qui détermine si une entrée donnée appartient à la classe positive ou négative. Elle utilise une formule avec des poids, un biais et la somme des produits des entrées et les poids.

Un ensemble de neurones interconnectés qui peuvent apprendre à résoudre des problèmes complexes en effectuant des calculs mathématiques sur les données d'entrée.

Une valeur numérique qui est ajoutée à la sortie d'un neurone avant d'être passée à la fonction d'activation. Le biais permet d'ajuster la position de l'hyperplan de séparation.

Une étape du processus d'apprentissage du perceptron où la sortie prédite est calculée en utilisant la fonction d'activation et la somme des produits des entrées et des poids.

La différence entre la sortie prédite et la sortie attendue pour une entrée donnée. L'erreur est utilisée pour ajuster les poids et le biais du perceptron.

Un ensemble de données avec des entrées et des sorties connues utilisées pour entraîner un modèle d'apprentissage automatique comme le perceptron.

Un neurone formel est un modèle mathématique simple d'un neurone biologique. Il reçoit des entrées, les combine linéairement avec des poids et applique une fonction d'activation pour produire une sortie.

Le poids d'un neurone représente l'importance relative de chaque entrée pour la sortie du neurone. Un poids élevé signifie que l'entrée correspondante a un impact plus important sur la sortie.

La fonction d'activation d'un neurone formel transforme la somme pondérée des entrées en une sortie. Elle introduit la non-linéarité dans le modèle, permettant au réseau de neurones d'apprendre des relations complexes.

La fonction seuil est un type de fonction d'activation qui active le neurone si la somme pondérée des entrées dépasse un seuil prédéfini. Sinon, le neurone reste inactif.

La fonction d'activation sigmoidale est une fonction non-linéaire qui produit une sortie comprise entre 0 et 1, représentant la probabilité d'activation du neurone. Elle est souvent utilisée dans les réseaux de neurones pour la classification.

La fonction Tanh (Tangente Hyperbolique) est une autre fonction d'activation non-linéaire qui produit une sortie comprise entre -1 et 1. Elle est similaire à la fonction sigmoidale, mais elle est centrée autour de zéro.

La fonction ReLU (Rectified Linear Unit) est une fonction d'activation linéaire pour les entrées positives et zéro pour les entrées négatives. Elle est simple et efficace, et elle est largement utilisée dans les réseaux de neurones profonds.

La fonction Softmax est une fonction d'activation utilisée pour normaliser les sorties d'un neurone en une distribution de probabilités, où la somme des probabilités est égale à 1. Elle est utilisée dans les réseaux de neurones pour la classification multiclasse.