de réseaux de neurones, des plus simples (Neuro One Standard) aux plus complexes (Neuro One Expert) ainsi que les traditionnels modèles linéaires et polynomiaux. La liste ci-dessous recense les réseaux construits avec Neuro One Standard (sauf mention spéciale). Avec Neuro One Expert, il n'y a aucune limitation : le plus gros réseau construit par Netral avait 1500 nœuds !
|
|
|
MODELE LINEAIRE
Toute étude statistique commence par un modèle linéaire, ici :
Y = a0 + a1X1 + a2X2
+ a3X3
En langage neuronal, les variables X1, X2, X3
sont les neurones d'entrée, la variable Y est le neurone de sortie, les
coefficients a0, a1, a2, a3
sont les valeurs des synapses ajustées au cours de l'apprentissage.
|
|
|
|
MODELE POLYNOMIAL D'ORDRE 2
Le modèle polynomial d'ordre 2
permet de caractériser l'influence des carrés et des produits
croisés, ici :
Y = a0 + a1X1 + a2X2
+ a3X3 + a4X12 + a5X1X2
+ a6X2 2 + a7X1X3
+ a8X2X3 + a9X32
C'est un modèle non-linéaire par rapport aux variables
d'entrée mais linéaire par rapport aux coefficients. La
solution unique à ce modèle à 10 coefficients requiert au
minimum 10 exemples dans la base d'apprentissage.
|
|
|
|
MODELE POLYNOMIAL D'ORDRE 3
Le modèle polynomial d'ordre 3 ajoute une complexité supplémentaire mais reste un modèle linéaire par rapport aux coefficients. Ici, la solution unique à ce modèle à 20 coefficients requiert au minimum 20 exemples dans la base d'apprentissage.
|
|
|
|
RESEAUX STATIQUES
Les réseaux statiques sont les plus
courants parmi les réseaux de neurones. Ce sont des modèles
non-linéaires par rapport aux entrées et par rapport aux coefficients
car les neurones de la couche cachée, ici les neurones 6, 7 et 8,
portent une fonction d'activation non-linéaire de type sigmoïde. Ils
sont utilisés lorsque tous les exemples de la base d'apprentissage sont
indépendants les uns des autres et lorsque le temps n'est pas un
paramètre fonctionnel.
|
|
|
|
RESEAUX STATIQUES MULTI-SORTIES
Le graphique ci-contre représente le
premier type de réseaux multi-sorties où toutes les sorties sont une
combinaison linéaire des neurones de la couche cachée.
|
|
|
|
RESEAUX STATIQUES MULTI-COUCHES
Les réseaux multi-couches (et ici
également multi-sorties) sont inutiles en régression mais peuvent
s'avérer utiles en classification.
Nécessite Neuro One Expert.
|
|
|
|
RESEAUX STATIQUES TOUS CONNECTES
Ces réseaux se caractérisent par leurs neurones cachés qui dépendent les uns des autres. Ils sont très peu employés.
|
|
|
|
RESEAUX DE PROBABILITE
Les réseaux de neurones sont
d'excellents outils pour caractériser la fonction de
répartition empirique et la fonction de densité d'une loi de
probabilité quelconque. Les résultats sont très bons pour les
lois à queues épaisses et l'estimation des valeurs extrêmes.
|
|
|
|
RESEAUX STATIQUES TEMPORELS
Pour ces réseaux qui restent encore
des réseaux statiques, le temps est un paramètre fonctionnel
important et on parle de séquence de données espacées à
intervalles de temps constants. Les termes Y*(t-1) et
Y*(t-2) sont les valeurs de sortie observées (ou mesurées)
tandis que Y est la valeur de sortie calculée par le
modèle.
|
|
|
|
RESEAUX DYNAMIQUES ENTREES-SORTIES
Ces réseaux sont dynamiques car ils
incorporent des bouclages. Le temps est un paramètre
fonctionnel important. Les termes Y(t-1) et Y(t) sont les
valeurs de sortie calculées par le modèle.
|
|
|
|
RESEAUX DYNAMIQUES MULTI-BOUCLES
Neuro One permet l'utilisation de plusieurs retards, ici 2, mais ce nombre n'est pas limité.
|
|
|
|
RESEAUX ARIMA/GARCH, etc...
Neuro One permet la construction de réseaux complexes, et
notamment de réseaux ARIMA ou GARCH qui comparent valeurs
observées et valeurs calculées.
Nécessite Neuro One Expert.
|
|
|
|
RESEAUX DYNAMIQUES D'ETATS
Le deuxième type de réseaux dynamiques. Les modèles d'états caractérisent les modèles à états internes non mesurables.
|
|
|
|
RESEAUX DYNAMIQUES MULTI-ETATS
Neuro One n'est pas limité dans le nombre d'états.
|
|
|
|
|