Rendre l'étudiant capable de comprendre, de concevoir et de réaliser des systèmes basés sur les réseaux de neurones à des fins d'apprentissage, de mémorisation, de reconnaissance, de commande, etc.
La cellule nerveuse physiologique, la connectivité de ces cellules, le neurone formel. Principales différences entre cellules nerveuses et neurones formels : traitement dynamique versus statique. Processus d'apprentissage : Hebb, compétitif, Boltzmann, supervisé, etc. Mémoires matricielles, réseau Dystal, le perceptron, le perceptron multicouche (rétropropagation, contrôle flou de l'apprentissage), les réseaux à fonctions radiales. Réseaux récurrents : modèle Brain State in a Box, réseaux Adaptive Resonance Theory, réseaux à attracteurs fixes ou multiples. Systèmes auto-organisés : apprentissage hebbien, apprentissage compétitif, apprentissage par calcul d'entropie. Réseaux pour le traitement temporel. Dynamique des réseaux de neurones : manipulation des attracteurs. Liens entre réseaux de neurones et logique floue, apprentissage automatique des fonctions d'appartenance, applications aux cartes de Kohonen et aux réseaux d'Hopfield. Algorithmes évolutifs, techniques d'apprentissage de réseaux de neurones par algorithmes évolutifs, comparaisons.
Horaire du cours aux sessions
automne 2024
hiver 2025