Relation avec les règles d'apprentissage neuronal

Description

Cette séance de cours explore la relation entre les règles d'apprentissage neuronal et la dérivée du logarithme d'une politique, explorant les contributions post-synaptiques et pré-synaptiques dans les mises à jour de poids. Il explique comment les récompenses modulent les poids synaptiques et comment l’activité des neurones influence l’apprentissage.

Connectez-vous pour regarder la vidéo

Dans MOOCs (3)

Source officielle

https://mediaspace.epfl.ch/media/0_aa5o6ji2

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (32)

Concepts associés (19)

Synaptogenèse

La synaptogenèse est la formation des synapses. Bien qu'elle se produise tout au long de la durée de vie d'une personne saine, une explosion de la formation des synapses se produit au cours du développement précoce du cerveau. On prend pour exemple la mise en place de la jonction neuromusculaire. Tout d'abord, il doit y avoir une reconnaissance par les terminaisons axonales des cellules cibles avec lesquelles la jonction doit se faire.

Dépression synaptique à long terme

La dépression à long terme (DLT) est « une réduction durable de l'efficacité de la transmission synaptique qui fait suite à certains types de stimulation ». Dans la dépression à long terme l'efficacité synaptique se trouve réduite. Cela est dû au fait que les éléments pré-synaptiques et post-synaptiques des neurones ont une décharge nerveuse asynchrone ou ne déchargent plus d'influx nerveux. La puissance de l'influx nerveux est influencée par la participation des récepteurs NDMA, et de leur influx calcique (Ca2+).

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Activity-dependent plasticity

Activity-dependent plasticity is a form of functional and structural neuroplasticity that arises from the use of cognitive functions and personal experience; hence, it is the biological basis for learning and the formation of new memories. Activity-dependent plasticity is a form of neuroplasticity that arises from intrinsic or endogenous activity, as opposed to forms of neuroplasticity that arise from extrinsic or exogenous factors, such as electrical brain stimulation- or drug-induced neuroplasticity.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.