Définition - Que signifie le réseau neuronal artificiel (ANN)?
Un réseau de neurones artificiels (ANN) est un modèle de calcul basé sur la structure et les fonctions des réseaux de neurones biologiques. Les informations qui circulent à travers le réseau affectent la structure de l'ANN car un réseau neuronal change - ou apprend, en un sens - en fonction de cette entrée et de cette sortie.
Les ANN sont considérés comme des outils de modélisation de données statistiques non linéaires où les relations complexes entre les entrées et les sorties sont modélisées ou des modèles sont trouvés.
Les ANN sont des modèles d'apprentissage en profondeur capables de reconnaissance de formes et d'apprentissage automatique. Ils font partie du domaine plus large de la technologie de l'intelligence artificielle (IA).
ANN est également connu comme un réseau neuronal.
Definir Tech explique le réseau neuronal artificiel (ANN)
Un réseau neuronal artificiel comporte trois couches ou plus interconnectées. La première couche est constituée de neurones d'entrée. Ces neurones envoient des données aux couches les plus profondes, qui à leur tour enverront les données de sortie finales à la dernière couche de sortie.
Toutes les couches internes sont cachées et sont formées par des unités qui changent de manière adaptative les informations reçues de couche en couche à travers une série de transformations. Chaque couche agit à la fois comme une couche d'entrée et une couche de sortie qui permet à l'ANN de comprendre des objets plus complexes. Collectivement, ces couches internes sont appelées la couche neurale.
Les unités de la couche neurale tentent de se renseigner sur les informations recueillies en les pesant selon le système interne de l'ANN. Ces directives permettent aux unités de générer un résultat transformé, qui est ensuite fourni en tant que sortie à la couche suivante.
Un ensemble supplémentaire de règles d'apprentissage utilise la rétropropagation, un processus par lequel l'ANN peut ajuster ses résultats de sortie en tenant compte des erreurs. Grâce à la rétropropagation, chaque fois que la sortie est étiquetée comme une erreur pendant la phase d'apprentissage supervisé, les informations sont renvoyées vers l'arrière. Chaque poids est mis à jour proportionnellement à la mesure dans laquelle ils étaient responsables de l'erreur.
Par conséquent, l'erreur est utilisée pour recalibrer le poids des connexions unitaires de l'ANN pour prendre en compte la différence entre le résultat souhaité et le résultat réel. En temps voulu, l'ANN «apprendra» comment minimiser les risques d'erreurs et de résultats indésirables.
L'entraînement d'un réseau de neurones artificiels consiste à choisir parmi des modèles autorisés pour lesquels il existe plusieurs algorithmes associés.
Un RNA présente plusieurs avantages, mais l'un des plus reconnus est le fait qu'il peut réellement apprendre en observant des ensembles de données. De cette manière, ANN est utilisé comme outil d'approximation de fonction aléatoire. Ces types d'outils aident à estimer les méthodes les plus rentables et idéales pour arriver à des solutions tout en définissant des fonctions de calcul ou des distributions.
ANN prend des échantillons de données plutôt que des ensembles de données entiers pour arriver à des solutions, ce qui économise du temps et de l'argent. Les RNA sont considérés comme des modèles mathématiques assez simples pour améliorer les technologies d'analyse de données existantes.
Ils peuvent être utilisés pour de nombreuses applications pratiques, telles que l'analyse prédictive dans la Business Intelligence, la détection des spams, le traitement du langage naturel dans les chatbots, et bien d'autres.