Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Principes d'auto-organisation

Description

Cette séance de cours porte sur les principes de l'auto-organisation dans les réseaux neuronaux, en mettant l'accent sur la façon dont l'ordre mondial émerge des interactions locales. Les sujets abordés comprennent le développement de champs réceptifs, la règle d'Oja, les colonnes de domination oculaire, les cartes Kohonen et le rôle fonctionnel des cartes corticales.

Source officielle

Concepts associés (21)

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Homonculus moteur

vignette|Lhomuncule moteur. L'homoncule moteur désigne l'organisation de la commande motrice des muscles du corps humain à la surface du cerveau. Le gyrus pré-central (ou circonvolution frontale ascendante) du cortex cérébral est peuplé de grands neurones pyramidaux, dits « cellules de Betz » qui sont le point de départ des axones qui constituent la voie pyramidale. Cette partie du cortex est l'aire 4 de Brodmann.

Carte autoadaptative

Les cartes autoadaptatives, cartes auto-organisatrices ou cartes topologiques forment une classe de réseau de neurones artificiels fondée sur des méthodes d'apprentissage non supervisées. Elles sont souvent désignées par le terme anglais self organizing maps (SOM), ou encore cartes de Kohonen du nom du statisticien ayant développé le concept en 1984. La littérature utilise aussi les dénominations : « réseau de Kohonen », « réseau autoadaptatif » ou « réseau autoorganisé ».

Cortex cérébral

Le cortex cérébral (ou écorce cérébrale), d'origine prosencéphalique, est la substance grise périphérique des hémisphères cérébraux. Il se compose de trois couches (pour l'archi- et le paléocortex) à six couches (pour le néocortex) renfermant différentes classes de neurones, d'interneurones et de cellules gliales. Le cortex peut être segmenté en différentes aires selon des critères cytoarchitectoniques (nombre de couches, type de neurones), de leur connexions, notamment avec le thalamus, et de leur fonction.

Neural network

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.

Afficher plus

Séances de cours associées (46)

Continuum spatial: Équations sur le terrain MOOC: Dynamique neuronale 2- Neurosciences computationnelles : Dynamique neuronale de la cognition

Explore les modèles de continuum spatial, les équations de champ et les mécanismes de couplage dans la neuroscience computationnelle.

Connectivité corticale : Dynamique neuronale MOOC: Dynamique neuronale 2- Neurosciences computationnelles : Dynamique neuronale de la cognition

Explore la dynamique neuronale dans les neurosciences computationnelles, mettant l'accent sur l'activité de la population, la connectivité corticale et les schémas de connectivité dans les modèles.

Réseaux neuronaux : Perceptrons multicouches

Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.

Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds

Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.

Apprentissage supervisé non linéaire

Explore le biais inductif de différentes méthodes d'apprentissage supervisé non linéaires et les défis de l'accordage hyperparamétrique.

Afficher plus

Concepts associés (21)

Réseau de neurones récurrents