Réseau de neurones à action directe

Cet article est une ébauche concernant l’informatique et les mathématiques.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Type	Réseau de neurones artificiels

modifier - modifier le code - modifier Wikidata

Un réseau de neurones à action directe, ou à propagation avant, en anglais feedforward neural Network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche^[1] qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt^[2]. Le réseau de neurones à action directe est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple. Dans ce réseau, l'information ne se déplace que dans une seule direction, vers l'avant, à partir des nœuds d'entrée, en passant par les couches cachées (le cas échéant) et vers les noeuds de sortie. Il n'y a pas de cycles ou de boucles dans le réseau^[3].

Références

(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Feedforward neural network » (voir la liste des auteurs).

↑ (en) Ian J. Goodfellow, Yoshua Bengio et Aaron Courville, Deep Learning, MIT Press, 2016 (ISBN 0262035618, lire en ligne) [détail des éditions], chap. 6
↑ Rosenblatt, Frank (1957), The Perceptron--a perceiving and recognizing automaton. Report 85-460-1, Cornell Aeronautical Laboratory
↑ (de) Andreas Zell, Simulation Neuronaler Netze, Addison-Wesley, 1994, 1^re éd. (ISBN 3-89319-554-8), p. 73

Bibliographie

(en) Feedforward Neural Network Methodology (lire en ligne)
(en) Nonlinear Dynamical Systems : Feedforward Neural Network Perspectives (lire en ligne)
(en) Combinatorial Evolution of Feedforward Neural Network Models for Chemical Processes (lire en ligne)
(en) A Feedforward Neural Network and Its Application to System Identification and Control (lire en ligne)

v · m

Apprentissage automatique et exploration de données

Paradigmes d'apprentissage

Apprentissage supervisé auto-supervisé semi-supervisé ou non supervisé
Apprentissage par renforcement, par transfert ou incrémental

Problèmes

Apprentissage supervisé

Classement	Arbre de décision k-NN U-matrix CRF Régression logistique
Régression	Modèle linéaire généralisé Régression linéaire Régression de Poisson Modèle probit Analyse discriminante linéaire Machine à vecteurs de support
Prédiction structurée	Modèle graphique Classification naïve bayésienne Réseau bayésien Modèle de Markov caché
Réseau de neurones artificiels	récurrents Calcul par réservoir à action directe Apprentissage profond Perceptron Perceptron multicouche Réseau neuronal convolutif à impulsions

Apprentissage non supervisé et auto-supervisé

Clustering	Regroupement hiérarchique K-means Algorithme espérance-maximisation DBSCAN OPTICS
Réduction de dimensions	ACP Analyse en composantes indépendantes Analyse canonique des corrélations t-SNE Réseau de neurones artificiels Auto-encodeur
IA générative et Modèle génératif	Réseau de neurones artificiels Réseaux antagonistes génératifs Réseau de Hopfield Machine de Boltzmann restreinte Cartes de Kohonen Transformeur