Réseaux de neurones : contrôle monocouche

Cette séance de cours couvre la mise en œuvre d'un contrôleur de réseau neuronal monocouche à l'aide du logiciel de simulation Webots. Il explique les différences entre les neurones artificiels, les perceptrons et les réseaux neuronaux monocouches. La séance de cours traite également des fonctions de transfert, de l'ajout d'un troisième capteur et de l'impact des nombres de capteurs sur la complexité du comportement. En outre, il explore l'efficacité de l'utilisation des neurones, la génération de jeux de données et les architectures réseau variables dans la résolution des tâches. La session se termine par un aperçu des règles de Boids pour le comportement collectif.

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 (33)

Concepts associés (32)

BIOENG-456: Controlling behavior in animals and robots

Students will acquire an integrative view on biological and artificial algorithms for controlling autonomous behaviors. Students will synthesize and apply this knowledge in oral presentations and comp

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Perceptrons (book)

Perceptrons: an introduction to computational geometry is a book written by Marvin Minsky and Seymour Papert and published in 1969. An edition with handwritten corrections and additions was released in the early 1970s. An expanded edition was further published in 1987, containing a chapter dedicated to counter the criticisms made of it in the 1980s. The main subject of the book is the perceptron, a type of artificial neural network developed in the late 1950s and early 1960s.

Collective animal behavior

Collective animal behaviour is a form of social behavior involving the coordinated behavior of large groups of similar animals as well as emergent properties of these groups. This can include the costs and benefits of group membership, the transfer of information, decision-making process, locomotion and synchronization of the group. Studying the principles of collective animal behavior has relevance to human engineering problems through the philosophy of biomimetics.

Perceptron multicouche

En intelligence artificielle, plus précisément en apprentissage automatique, le perceptron multicouche (multilayer perceptron MLP en anglais) est un type de réseau neuronal artificiel organisé en plusieurs couches. Un perceptron multicouche possède au moins trois couches : une couche d'entrée, au moins une couche cachée, et une couche de sortie. Chaque couche est constituée d'un nombre (potentiellement différent) de neurones. L'information circule de la couche d'entrée vers la couche de sortie uniquement : il s'agit donc d'un réseau à propagation directe (feedforward).

Perceptron

Le perceptron est un algorithme d'apprentissage supervisé de classifieurs binaires (c'est-à-dire séparant deux classes). Il a été inventé en 1957 par Frank Rosenblatt au laboratoire d'aéronautique de l'université Cornell. Il s'agit d'un neurone formel muni d'une règle d'apprentissage qui permet de déterminer automatiquement les poids synaptiques de manière à séparer un problème d'apprentissage supervisé. Si le problème est linéairement séparable, un théorème assure que la règle du perceptron permet de trouver une séparatrice entre les deux classes.

Réseaux neuronaux : Perceptrons multicouches BIO-322: Introduction to machine learning for bioengineers

Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.

Gradient Descent: Techniques d'optimisation

Explore la descente en gradient, les fonctions de perte et les techniques d'optimisation dans la formation en réseau neuronal.

Modèles Vision-Langue-Action : Formation et applications

Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.

Ingénierie des fonctionnalités : données manquantes et normalisation

Couvre les techniques de gestion des données manquantes et de normalisation des fonctionnalités, ainsi que la transformation des données d'entrée et de sortie.

Réseaux neuronaux : bases et applications

Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.