Main Content

La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Réseaux peu profonds pour la reconnaissance de formes, le clustering et les séries temporelles

Les réseaux de neurones sont composés d’éléments simples qui fonctionnent en parallèle. Ces éléments sont inspirés par les systèmes nerveux biologiques. Comme dans la nature, les connexions entre éléments déterminent largement la fonction du réseau. Vous pouvez entraîner un réseau de neurones à réaliser une fonction donnée en ajustant les valeurs des connexions (poids) entre les éléments.

Généralement, les réseaux de neurones sont ajustés, ou entraînés, de sorte qu’une entrée donnée mène à une sortie correspondant à une cible spécifique. La figure suivante illustre une situation de ce type. Ici, le réseau est ajusté sur la base d’une comparaison entre la sortie et la cible jusqu’à ce que la sortie du réseau corresponde à la cible. Généralement, de nombreuses paires entrée/cible sont nécessaires pour entraîner un réseau.

Les réseaux de neurones ont été entraînés pour réaliser des fonctions complexes dans différents secteurs, tels que les systèmes d’identification, de reconnaissance de formes, de classification, de reconnaissance de la parole, de vision et de contrôle.

Les réseaux de neurones peuvent également être entraînés à résoudre des problèmes qui sont difficiles pour les êtres humains ou les ordinateurs traditionnels. La toolbox souligne l’utilisation des paradigmes des réseaux de neurones qui forment (ou sont eux-mêmes utilisés dans) des applications d’ingénierie, financières et d’autres applications pratiques.

Les thèmes suivants expliquent comment utiliser des outils graphiques pour entraîner les réseaux de neurones à résoudre des problèmes de fitting de fonction, de reconnaissance de formes, de clustering et d’analyse de séries temporelles. L’utilisation de ces outils est une excellente introduction à l’utilisation du logiciel Deep Learning Toolbox™ :

Applications et fonctions pour les réseaux peu profonds dans Deep Learning Toolbox

Il existe quatre manières d’utiliser le logiciel Deep Learning Toolbox.

  • La première manière consiste à utiliser ses outils. Ces outils sont efficaces pour accéder aux fonctionnalités de la toolbox pour les tâches suivantes :

    • Fitting de fonction (nftool)

    • Reconnaissance de formes (nprtool)

    • Clustering de données (nctool)

    • Analyse de séries temporelles (ntstool)

  • La deuxième manière d’exploiter la toolbox est l'utilisation d'opérations de base en ligne de commande. Les opérations en ligne de commande offrent plus de souplesse que les outils, mais sont plus complexes à utiliser. S’il s’agit de votre première expérience avec la toolbox, les outils offrent la meilleure introduction. Par ailleurs, les outils peuvent générer des scripts de code MATLAB® documenté pour vous fournir des modèles afin de créer vos propres fonctions en ligne de commande personnalisées. Le processus qui consiste à utiliser les outils puis à générer ou modifier des scripts MATLAB est une excellente manière de découvrir les fonctionnalités de la toolbox.

  • La troisième manière d’utiliser la toolbox est la personnalisation. Cette fonctionnalité avancée vous permet de créer vos propres réseaux de neurones personnalisés, tout en conservant l’accès à l’ensemble des fonctionnalités de la toolbox. Vous pouvez créer des réseaux avec des connexions arbitraires et continuer à les entraîner à l’aide des fonctions d’apprentissage existantes de la toolbox (tant que les composants du réseau sont différenciables).

  • La quatrième manière d’utiliser la toolbox consiste à utiliser la possibilité de modifier toute fonction contenue dans la toolbox. Chaque composant de calcul est écrit en code MATLAB et entièrement accessible.

Les quatre niveaux d’utilisation de la toolbox vont du débutant à l’expert : des outils simples guident le nouvel utilisateur parmi des applications spécifiques et la personnalisation de réseaux permet aux chercheurs d’essayer de nouvelles architectures avec un effort minimum. Quel que soit le niveau de vos connaissances sur les réseaux de neurones et sur MATLAB, il existe des fonctions de la toolbox adaptées à vos besoins.

Génération automatique de scripts

Les outils eux-mêmes constituent une partie importante du processus d’apprentissage pour le logiciel Deep Learning Toolbox. Ils vous guident à travers le processus de conception de réseaux de neurones pour résoudre des problèmes dans quatre domaines d'applications importants, sans connaissances antérieures sur les réseaux de neurones ni utilisation sophistiquée de MATLAB. Par ailleurs, les outils peuvent automatiquement générer des scripts MATLAB simples et avancés permettant de reproduire les étapes réalisées par l’outil, avec également la possibilité de remplacer les paramètres par défaut. Ces scripts peuvent vous offrir des modèles pour créer du code personnalisé et vous aider à vous familiariser avec la fonctionnalité en ligne de commande de la toolbox. Il est vivement recommandé d’utiliser la fonction de génération automatique de scripts de ces outils.

Les applications de Deep Learning Toolbox

Il serait impossible d’aborder l’ensemble des applications pour lesquelles les réseaux de neurones ont fourni d’excellentes solutions. Les sections suivantes de cette rubrique ne décrivent que quelques-unes des applications de fitting de fonction, de reconnaissance de formes, de clustering et d’analyse de séries temporelles. Le tableau suivant vous donnera une idée de la diversité des applications pour lesquelles les réseaux de neurones proposent des solutions innovantes.

Industrie

Applications commerciales

Aérospatiale

Pilote automatique d'aéronef hautes performances, simulation de trajectoires de vol, systèmes de contrôle d'aéronef, améliorations de pilote automatique, simulation de composants d'aéronef et détection des pannes de composants d'aéronefs

Automobile

Système de guidage automatique pour voitures et analyse des données de garantie

Banque

Lecture des chèques et d’autres documents et évaluation des demandes de crédit

Défense

Guidage d’armes, suivi de cibles, discrimination visuelle d'objet, reconnaissance faciale, nouveaux types de capteurs, traitement d’images, traitement des signaux sonar et radar, ce qui comprend la compression des données, l'extraction de caractéristiques et la suppression de bruit, ainsi que l'identification de signaux/images

Électronique

Prédiction de séquences de code, configuration des puces des circuits intégrés, contrôle des processus, analyse de défaillance des puces, vision industrielle, synthèse vocale et modélisation non linéaire

Divertissements

Animation, effets spéciaux et prévisions de marché

Finance

Estimation immobilière, conseil en crédit, évaluation des demandes de prêts immobilier, notation des obligations, analyse de l’utilisation des lignes de crédit, suivi d’activité de cartes bancaires, programme de trading de portefeuilles, analyse financière d’entreprise et prédiction des cours des devises

Industrie

Prédiction de processus industriels, tels que les gaz produits par les fourneaux et le remplacement d’équipements complexes et coûteux utilisés pour cela par le passé

Assurance

Évaluation des demandes de police d'assurance et optimisation des produits

Fabrication

Contrôle des processus de fabrication, conception et analyse des produits, diagnostic des processus et machines, identification des particules en temps réel, systèmes visuels d’inspection de la qualité, analyse de la bière, analyse de la qualité des soudures, prédiction de la qualité du papier, analyse de la qualité des puces informatiques, analyse des opérations de ponçage, analyse de la conception de produits chimiques, analyse de la maintenance des machines, appels d’offres, planification et gestion de projets et modélisation dynamique de systèmes de processus chimiques

Médecine

Analyse des cellules cancéreuses du sein, analyse d’EEG et d’ECG, conception de prothèses, optimisation des durées des transplantations, réduction des dépenses des hôpitaux, amélioration de la qualité dans les hôpitaux et conseils pour les tests aux services des urgences

Pétrole et gaz

Exploration

Robotique

Contrôle de trajectoire, chariot élévateur robotisé, contrôleurs de robots manipulateurs et systèmes de vision

Valeurs mobilières

Analyse de marché, notation automatique des obligations et systèmes de conseil en trading sur actions

Voix

Reconnaissance vocale, compression vocale, classification des voyelles et synthèse texte-parole

Télécommunications

Compression des images et des données, services d’informations automatisés, traduction du langage parlé en temps réel et systèmes de traitement des paiements des clients

Transport

Systèmes de diagnostic des freins des camions, systèmes d'optimisation des tournées des véhicules

Étapes du design de réseaux de neurones peu profonds

Dans les sections suivantes de cette rubrique, vous suivrez les étapes standard pour concevoir des réseaux de neurones afin de résoudre des problèmes de fitting de fonction, de reconnaissance de formes, de clustering et d’analyse de séries temporelles. Le workflow pour n’importe lequel de ces problèmes comporte sept étapes principales. (Le recueil des données à l’étape 1, bien qu'il soit important, se produit généralement en dehors de l’environnement MATLAB.)

  1. Collecter des données

  2. Créer le réseau

  3. Configurer le réseau

  4. Initialiser les poids et les biais

  5. Entraîner le réseau

  6. Valider le réseau

  7. Utiliser le réseau

Vous allez suivre ces étapes en utilisant les outils de l’interface graphique et des opérations en ligne de commande dans les sections suivantes :