|
|
| Ligne 1 : |
Ligne 1 : |
| == Définition == | | == Définition == |
| Les [[réseaux neuronaux|réseaux de neurones]] dynamiques traitent du comportement multivariable non linéaire. Ils tiennent compte de comportements temporels, comme les phénomènes transitoires et les effets de retard. Les techniques d'estimation d'un processus de système à partir de données observées relèvent de la catégorie générale de l'identification de système.
| | Un [[réseaux neuronaux|réseau de neurones]] dynamique est capable de modifier « dynamiquement » son architecture en fonction de paramètres externes. |
|
| |
|
| Les réseaux neuronaux décomposent l'information (images d'entrée, audio, vidéos, textes manuscrits...) en petits éléments facilement compréhensibles et permettent à un ordinateur de faire une prédiction sur la nature de ladite entrée. Ils y parviennent grâce à un large éventail de données d'entraînement et de modèles mathématiques. Les réseaux neuronaux fonctionnent de manière semblable à celle de notre cerveau, d'où son appellation. Cette technologie est loin d'être nouvelle, mais le monde de la science des données est à l'affût de moyens plus rapides et plus efficaces d'utiliser les réseaux neuronaux pour servir la révolution IoT à venir.
| | Par exemple, l'architecture variera en fonction de ses entrées (c.-à-d. données), de phénomènes non-linéaires, transitoires, qui dépendent du temps, qui comportent un délai, etc. |
|
| |
|
| == Français == | | == Français == |
| ''' Réseau neuronal dynamique''' | | '''Réseau neuronal dynamique''' |
|
| |
|
| == Anglais == | | == Anglais == |
| ''' Dynamic Neural Network ''' | | '''Dynamic Neural Network''' |
| | |
| Dynamic neural networks address nonlinear multivariate behaviour and include (learning of) time-dependent behaviour, such as transient phenomena and delay effects. Techniques to estimate a system process from observed data fall under the general category of system identification.
| |
| | |
| Neural network uses hidden layers to break down information (the input-images, audio, videos, handwritten text…) into tiny pieces of easily understandable components, allowing a computer to inform a prediction about the nature of said input. It does this thanks to a wide array of training data and mathematical models. In doing so, it works “similarly” to our brain, hence the technology’s name. This is far from new, but the world of data science has been on the lookout for faster and more efficient ways of using neural networks to serve the upcoming IoT revolution.
| |
|
| |
|
| <small> | | <small> |
|
| |
|
| [https://en.wikipedia.org/wiki/Types_of_artificial_neural_networks Source : Wikipedia ] | | [https://en.wikipedia.org/wiki/Types_of_artificial_neural_networks Source : Wikipedia ] |
| | |
| | [https://arxiv.org/abs/2102.04906 Source : arxiv ] |
|
| |
|
|
| |
|
| [[Catégorie:vocabulary]] | | [[Catégorie:vocabulary]] |
Version du 12 janvier 2023 à 14:14
Définition
Un réseau de neurones dynamique est capable de modifier « dynamiquement » son architecture en fonction de paramètres externes.
Par exemple, l'architecture variera en fonction de ses entrées (c.-à-d. données), de phénomènes non-linéaires, transitoires, qui dépendent du temps, qui comportent un délai, etc.
Français
Réseau neuronal dynamique
Anglais
Dynamic Neural Network
Source : Wikipedia
Source : arxiv
