<!-- Slide number: 1 -->

Année Universitaire 2019-2020
Les Réseaux de Neurones : Activité
Notes:
<!-- Slide number: 2 -->
PERCEPTRON : EXERCICE 1
Apprentissage d'un ensemble linéairement séparable :
Publicité
les descriptions appartiennent à R2, le concept cible est défini à l'aide de la droite d'équation y=x/2. Les couples (x,y) tels que y>x/2 sont de classe 1 ; Les couples (x,y) tels que y <= x/2 sont de classe 0. L'échantillon d'entrée est :
S={((0,2),1), ((1,1),1), ((1,2.5),1), ((2,0),0), ((3,0.5),0)}.
On suppose qu'à l'initialisation, les poids ont été choisis :
w0=0 ; w1 = 0 et w2 = 0.
On choisit de présenter tous les exemples en alternant exemple positif (de classe 1) et exemple négatif.
<!-- Slide number: 3 -->
PERCEPTRON : EXERCICE 1
L'échantillon d'entrée est :
Publicité
S={((0,2),1), ((2,0),0), ((1,1),1), ((3,0.5),0), ((1,2.5),1)}.
On suppose qu'à l'initialisation, les poids ont été choisis :
w0=0 ; w1 = 0 et w2 = 0.

<!-- Slide number: 4 -->
PERCEPTRON : EXERCICE 1
L'échantillon d'entrée est :
S={((0,2),1), ((2,0),0), ((1,1),1), ((3,0.5),0), ((1,2.5),1)}.
Publicité
On suppose qu'à l'initialisation, les poids ont été choisis :
w0=0 ; w1 = 0 et w2 = 0.

<!-- Slide number: 5 -->
PERCEPTRON : EXERCICE 2
Apprentissage de parité :
Considérons un afficheur numérique à sept segments et formons un perceptron donnant la parité du chiffre écrit, à savoir 0 s'il est pair et 1 sinon.

Publicité
<!-- Slide number: 6 -->
PERCEPTRON : EXERCICE 2

<!-- Slide number: 7 -->
PERCEPTRON : EXERCICE 2
Trace de l’algorithme
