Le cerveau humain, composé de près de $10^{11}$ neurones, est le centre de l’intelligence humaine. L’intelligence humaine a été simulée de différentes manières. L’intelligence artificielle (IA) poursuit un raisonnement logique exact basé sur la manipulation de symboles.
Les logiques floues modélisent le comportement très incertain de la prise de décision. Les réseaux de neurones modélisent l’infrastructure hautement non linéaire des réseaux cérébraux. Le calcul évolutionniste modélise l’évolution de l’intelligence. La théorie du chaos modélise les comportements hautement non-linéaires et chaotiques de l’intelligence humaine.
Softcomputing est une collection évolutive de méthodologies pour la représentation de l’ambiguïté dans la pensée humaine; Elle exploite la tolérance à l’imprécision et à l’incertitude, au raisonnement approximatif et à la vérité partielle afin de parvenir à la traçabilité, à la robustesse et aux solutions à faible coût. Les principales méthodologies du softcomputing sont la logique floue, les réseaux neuronaux et le calcul évolutif.
Les méthodes conventionnelles de traitement de données fondées sur des modèles nécessitent la connaissance d’experts pour la modélisation d’un système. Les méthodes de réseau neuronal fournissent une solution de traitement distribuée parallèle, non-modélisée, adaptative, tolérante aux pannes. Un réseau de neurones est une boîte noire qui apprend directement les relations internes d’un système inconnu, sans deviner les fonctions pour décrire les relations de cause à effet.
L’approche du réseau de neurones est une méthodologie de base du traitement de l’information.
Les modèles de réseaux neuronaux peuvent être utilisés pour l’approximation de fonctions, la classification, la cartographie non linéaire, la mémoire associative, la quantification vectorielle, l’optimisation, l’extraction de caractéristiques, le regroupement et l’inférence approximative. Les réseaux de neurones ont de larges applications dans presque tous les domaines de la science et de l’ingénierie.
La logique floue fournit un moyen de traiter l’incertitude et de calculer avec des mots. Cela imite la reconnaissance humaine, qui fait face habilement à l’incertitude.
Les systèmes flous sont conventionnellement créés à partir de connaissances explicites exprimées sous la forme de règles floues, conçues sur la base de l’expérience des experts. Un système flou peut expliquer son action par des règles floues. Les systèmes neurofuges, en tant que synergie de la logique floue et des réseaux neuronaux, possèdent à la fois des capacités d’apprentissage et de représentation des connaissances.
Ces pages tentent de rassembler les avancées majeures dans les réseaux neuronaux et l’apprentissage automatique, et de les expliquer dans un cadre statistique. Alors que certains détails mathématiques sont nécessaires, nous insistons sur les aspects pratiques des modèles et des méthodes plutôt que sur les détails théoriques. Pour nous, les réseaux de neurones sont simplement des méthodes statistiques qui peuvent être représentées par des graphiques et des réseaux.

Introduction

La discipline des réseaux neuronaux modélise le cerveau humain. Le cerveau humain moyen se compose de près de $10^{11}$ neurones de différents types, chaque neurone se connectant à des dizaines de milliers de synapses. En tant que tels, les modèles de réseaux neuronaux sont également appelés modèles connexionnistes. Le traitement de l’information est principalement dans le cortex cérébral, la couche externe du cerveau. Les fonctions cognitives, y compris le langage, le raisonnement abstrait, l’apprentissage et la mémoire, représentent les opérations cérébrales les plus complexes à définir en termes de mécanismes neuronaux.
Dans les années 1940, McCulloch et Pitts [27] ont découvert qu’un neurone peut être modélisé comme un simple dispositif à seuil pour effectuer une fonction logique. En 1949, Hebb [14] a proposé la règle de Hebbian pour décrire comment l’apprentissage affecte les synaptiques entre deux neurones.