🧠 Réseaux de neurones

Plusieurs neurones, couches cachées, propagation, apprentissage, capacité et généralisation.

Étape 1 / 7

Navigation libre entre les sections.

🔬 Atelier du réseau

Mêmes entrées, neurones différents

neurones en parallèle

Les deux neurones reçoivent exactement les mêmes x₁ et x₂. Seuls leurs poids changent.

Valeurs des poids : neurone A → w₁ = 2, w₂ = -0,5, b = -0,5 ; neurone B → w₁ = -0,4, w₂ = 2, b = -0,5.
x₁x₂neurone Aneurone BDeux résultats différents à partir des mêmes mesures

À quoi sert une couche cachée ?

Les neurones h₁ et h₂ fabriquent des informations intermédiaires. Elles ne sont pas encore la réponse finale.

Le neurone de sortie reçoit ensuite h₁ et h₂ comme de nouvelles entrées.

Clique sur « Propager ».
Poids vers h₁ : w(x₁→h₁)=1,5, w(x₂→h₁)=-0,6, b(h₁)=-0,3
Poids vers h₂ : w(x₁→h₂)=-0,5, w(x₂→h₂)=1,8, b(h₂)=-0,2
Poids de sortie : w(h₁→ŷ)=2, w(h₂→ŷ)=2, b(sortie)=-1,5
x₁x₂h₁?h₂?sortie?couche cachée

Construire une architecture

architecture = nombre d’entrées, de couches et de neurones par couche.

2 → 4 → 1

Suivre une donnée dans le réseau validé

Le réseau utilisé ici reprend l’architecture de la dernière question correctement validée dans cette section.

Chaque clic fait avancer la donnée d’une couche. Les sorties d’une couche deviennent les entrées de la suivante.

2 → 2 → 1
Les poids numériques du réseau apparaîtront ici et sur le schéma.
Le nombre de nœuds et de couches correspond à la question validée. Les valeurs affichées sont celles d’une propagation avant avec des poids déjà fixés. Les nombres inscrits sur les liaisons sont les poids et les valeurs près des neurones sont les biais.

Faire apprendre tout le réseau

Le jeu contient 200 exemples. La classe 1 correspond à une zone centrale du plan. Une droite ne suffit donc pas.

Architecture fixée : 2 → 6 → 1. Tu ne règles rien d’autre : lance l’apprentissage et regarde la surface colorée apparaître.

Prêt.
Époque0
Perte—
Bien classés—
Poids du réseau : —
Points = données d’apprentissage. Observe simplement comment le fond évolue pendant les corrections ; son interprétation est demandée dans le questionnaire.

Atelier 1 — Une zone noire centrale

On conserve exactement les mêmes données. Seule l’architecture change.

Les points noirs appartiennent à la classe 1. Ici ils forment une seule zone compacte.

Compare la forme de la surface apprise.
Poids du réseau : —
Points noirs = classe 1 ; points blancs = classe 0. La surface colorée représente ce que le réseau classe après apprentissage. Les poids affichés ci-contre sont ceux du réseau à l’époque en cours.

Atelier 2 — Deux zones noires séparées

Cette fois, les points noirs appartiennent toujours à une seule et même classe 1, mais ils forment deux îlots distincts.

Objectif : obtenir deux zones de décision distinctes correspondant aux deux groupes de points noirs, en laissant une zone centrale blanche.
Poids du réseau : —
Points noirs = classe 1, répartie en deux groupes séparés. Points blancs = classe 0, avec en plus un groupe blanc au centre qui matérialise la zone à laisser vide entre les deux îlots noirs. Observe si la surface apprise forme bien deux régions distinctes, et non une seule grande zone qui relierait artificiellement les deux groupes.

Réussir sur les exemples appris ne suffit pas

apprentissage = données utilisées pour régler les poids.

test = nouvelles données conservées à part, jamais utilisées pour corriger les poids.

Réseau A — très complexe

Exemples d’apprentissage100 %
Nouvelles données de test68 %
Il a presque mémorisé les exemples appris, y compris leurs irrégularités.

Réseau B — plus simple

Exemples d’apprentissage95 %
Nouvelles données de test92 %
Il fait quelques erreurs sur l’apprentissage, mais retrouve mieux la règle générale.
À retenir : on appelle généralisation la capacité à bien répondre à des données jamais vues. Un réseau qui mémorise trop les données d’apprentissage est en surapprentissage.