Introduction aux réseaux de neurones : exercices sur l'utilisation de Playground

Options de réseau neuronal

Les réseaux de neurones permettent d'apprendre des modèles non linéaires sans avoir à recourir à des croisements de caractéristiques explicites.

Introduction aux réseaux de neurones : exercices sur l'utilisation de Playground

Ce modèle peut-il apprendre des non-linéarités? Exécutez-le pour vérifier votre intuition.

Historique[ modifier modifier le code ] Vue simplifiée d'un réseau artificiel de neurones Les réseaux neuronaux sont construits sur un paradigme biologiquecelui du neurone formel comme les algorithmes génétiques le sont sur la sélection naturelle.

Pouvez-vous créer un modèle capable d'apprendre des non-linéarités? N'hésitez pas non plus à modifier les taux d'apprentissage, la options de réseau neuronal et les autres paramètres d'apprentissage.

Les réponses s'affichent juste en dessous de l'exercice.

options de réseau neuronal

L'activation étant définie sur Linear, ce modèle ne peut pas apprendre de non-linéarités. La perte est très élevée.

options de réseau neuronal

La fonction d'activation non linéaire peut apprendre des modèles non linéaires. Ces exercices ne sont pas déterministes. De ce fait, certaines exécutions n'apprendront pas un modèle performant, tandis que d'autres seront plutôt efficaces.

Réseau de neurones artificiels : quelles sont leurs capacités ?

La nature non déterministe de Playground est clairement visible dans cet exercice. Toutefois, avec la même configuration, d'autres exécutions produisaient une perte très élevée.

Initialisation du réseau de neurones Cet exercice utilise à nouveau les données XOR, mais se concentre sur la reproductibilité de l'apprentissage des réseaux de neurones et sur l'importance de l'initialisation. Avant chaque essai, cliquez sur le bouton Réinitialiser le réseau pour obtenir une nouvelle initialisation aléatoire.

Réseau de neurones artificiels

Le bouton Réinitialiser le réseau est la flèche circulaire de réinitialisation qui se trouve juste à gauche du bouton "Lecture". Vers quelle forme le résultat de chaque modèle converge-t-il? Que peut-on en déduire sur le rôle de l'initialisation dans une optimisation non options de réseau neuronal Les résultats sont-ils plus stables? Le modèle appris présentait différentes formes à chaque exécution. La valeur la plus forte de la perte d'évaluation convergée était pratiquement le double de la valeur la plus faible.

Introduction aux réseaux de neurones

À chaque exécution, le modèle résultant avait à peu près la même forme. De plus, la perte d'évaluation convergée montrait une variance plus faible entre les exécutions. Réseau de neurones en spirale Cet ensemble de données est une spirale de bruit.

options de réseau neuronal

Bien évidemment, un modèle linéaire va échouer ici, mais même des croisements de caractéristiques définis manuellement peuvent être difficiles à construire. N'hésitez pas à supprimer ou à ajouter des couches et revenus Internet 2020 neurones, et à changer les paramètres d'apprentissage tels que le taux d'apprentissage, le taux de régularisation et la taille du lot.

Quelle est la meilleure perte d'évaluation que vous pouvez obtenir?

Réseau de neurones

La surface de sortie du modèle est-elle lisse? Essayez d'ajouter des caractéristiques de produits croisées et d'autres transformations telles que sin X1 et sin X2. Le modèle est-il plus performant?

  1. This article describes a module in Azure Machine Learning designer.
  2. Intéressant sur les options binaires
  3. Tutoriels vidéo de formation au trading
  4. Introduction aux réseaux de neurones : exercices sur l'utilisation de Playground
  5. Les réseaux de neurones artificiels Artificial neural networks en anglais constituent une branche spécifique de la recherche en informatique et en neuro-informatique.

La surface de sortie du modèle est-elle plus lisse? Cliquez sur la flèche de la liste déroulante pour afficher les réponses possibles. La vidéo suivante présente comment sélectionner les hyperparamètres dans Playground afin d'entraîner un modèle pour les données en spirale qui minimisent la perte d'évaluation.

options de réseau neuronal

Solution de l'exercice sur le réseau de neurones en spirale.