Système Nerveux - Questions Fondamentales

Le système de traitement des informations et de communication de l'organisme. Il reçoit des messages, les traite, puis envoie des signaux au reste du corps pour lui dire quoi faire.

Le centre de traitement des informations. Il reçoit des informations provenant des sens et génère des pensées et des idées.

Un prolongement du cerveau qui descend le long du dos, reliant le cerveau au reste du corps.

Des câbles de signal qui transmettent des messages du cerveau et de la moelle épinière au reste du corps.

L'unité de base du système nerveux. Elle est responsable de la transmission des signaux électriques dans le cerveau et le corps.

Le processus par lequel un algorithme apprend à partir des données et s'améliore au fil du temps.

La valeur prédite par l'algorithme d'apprentissage automatique.

Comparer la prédiction de l'algorithme avec la valeur réelle pour mesurer son exactitude.

Le corps cellulaire du neurone, contenant son noyau et les organites cellulaires nécessaires à son fonctionnement.

Petits prolongements du neurone qui reçoivent des signaux électriques d'autres neurones.

Prolongement unique et long du neurone qui transmet les signaux électriques du corps cellulaire à la synapse.

Substance isolante qui enveloppe l'axone et accélère la propagation des signaux électriques.

Zone de communication entre deux neurones, où les neurotransmetteurs transmettent des signaux chimiques.

Substance chimique libérée par un neurone pour transmettre un signal à un autre neurone.

Processus par lequel un neurone décide s'il doit s'activer ou non en fonction de la somme pondérée des signaux reçus.

Modèle mathématique simplifié du fonctionnement d'un neurone biologique.

Un neurone formel traite les informations en deux étapes : l'agrégation et l'activation. L'agrégation calcule la somme pondérée des entrées en multipliant chaque entrée par son poids respectif. L'activation applique ensuite une fonction seuil au résultat de l'agrégation pour déterminer si le neurone est activé ou non.

Un poids est un coefficient numérique qui influence l'importance d'une entrée dans le calcul du neurone. Il contrôle l'impact de chaque entrée sur le résultat final. Il peut renforcer ou atténuer l'importance d'une entrée.

La fonction d'activation est une fonction mathématique qui transforme la somme pondérée des entrées pour déterminer si le neurone sera activé (transmet un signal) ou désactivé (ne transmet pas). Elle introduit la non-linéarité dans le modèle.

La fonction seuil est une fonction d'activation simple qui compare la somme pondérée des entrées à un seuil prédéterminé. Si la somme dépasse le seuil, le neurone est activé. Si la somme est inférieure au seuil, il est désactivé.

La fonction Sigmoïde, la fonction Tangente Hyperbolique (Tanh) et la fonction ReLU sont des fonctions d'activation plus complexes que la fonction seuil. Elles introduisent des non-linéarités plus flexibles, offrant un meilleur contrôle sur le comportement du neurone.

La fonction Softmax est une fonction d'activation utilisée pour la classification, elle convertit un vecteur de scores en une distribution de probabilité.

Un neurone artificiel dont la fonction d'activation est une fonction échelon, également appelée Linear Threshold Function (LTF) ou fonction seuil linéaire, pour effectuer des classifications binaires simples.

Fonction d'activation qui transforme une entrée en une sortie binaire (0 ou 1) en fonction d'un seuil.

Valeur qui détermine le niveau de seuil pour la classification.

Algorithme supervisé qui utilise un ensemble de données étiquetées pour apprendre à classer les données.

La sortie prédite du perceptron.

L'erreur entre la sortie prédite et la sortie attendue.

Ensemble de données utilisées pour entraîner le perceptron.

L'étape qui consiste à calculer la sortie prédite du perceptron en fonction des entrées et des poids appris.

Le neurone formel est un modèle simple, qui décide d'activer sa sortie (1) si le signal d'entrée dépasse un certain seuil, ou reste inactif (0).

Les neurones formels utilisent une fonction d'activation qui impose une limite aux valeurs de sortie (0 ou 1). Ils ne peuvent pas générer de valeurs intermédiaires (entre 0 et 1).

Ils sont incapables d'apprendre de nouvelles informations. Les poids et les biais sont fixes, définis à l'avance par le concepteur.

Le neurone artificiel est une extension plus complexe du neurone formel. Il utilise des fonctions d'activation non linéaires (Sigmoïde, ReLU, Tanh) et peut générer des valeurs de sortie continues entre 0 et 1.

La fonction Sigmoïde est une fonction d'activation utilisée dans les neurones artificiels. Elle produit une sortie entre 0 et 1, ce qui peut être interprété comme une probabilité, par exemple, la probabilité qu'une image soit un chat.

La fonction Tanh est une autre fonction d'activation utilisée dans les réseaux de neurones. Elle produit une sortie entre -1 et 1, ce qui permet d'encoder des informations de direction (positive ou négative).

La fonction ReLU est une fonction d'activation simple et efficace. Elle produit 0 pour des valeurs d'entrée négatives et la valeur d'entrée elle-même pour des valeurs positives. Elle est utilisée dans les réseaux de neurones profonds.

La fonction Softmax est une fonction d'activation utilisée pour la classification, elle transforme les scores de sortie des neurones en une distribution de probabilité. La somme de toutes les probabilités est égale à 1.

Le taux d'apprentissage (η) contrôle la taille des ajustements apportés aux poids et aux biais lors de chaque itération d'apprentissage. Un taux d'apprentissage faible peut entraîner un apprentissage lent, tandis qu'un taux d'apprentissage élevé peut empêcher le modèle de converger vers une solution optimale.

Lorsqu'il n'y a pas d'erreur, le modèle a déjà trouvé une solution optimale et les poids et les biais n'ont pas besoin d'être ajustés.

Si l'erreur est non nulle, cela signifie que le modèle n'a pas encore trouvé la solution optimale. Les poids et les biais doivent donc être ajustés pour améliorer sa précision.

Le Perceptron Multi-Couche (MLP) est un réseau de neurones avec une ou plusieurs couches cachées. Il permet de modéliser des relations complexes et non linéaires.

Les couches cachées du MLP traitent les informations des données d'entrée en utilisant des fonctions d'activation et des poids pour apprendre des relations complexes. Plus il y a de couches cachées, plus le modèle peut être complexe.

La couche de sortie du MLP fournit la sortie finale du réseau après le traitement des informations. Elle est généralement définie en fonction de la tâche à résoudre.

La fonction d'activation est une fonction non linéaire appliquée à la sortie de chaque neurone. Elle permet de modéliser des relations complexes et d'apporter une non-linéarité au modèle.