Séance de cours

Analyser la règle d'apprentissage hébbienne

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours s'inscrit dans l'analyse des règles d'apprentissage hebbien, en mettant l'accent sur l'apprentissage hebbien basé sur les taux et l'application de l'expansion Taylor pour déterminer le changement de poids basé sur les taux de tir pré- et post-synaptique. Il couvre également les modèles de taux d'apprentissage hebbiens, la règle d'Oja, les seuils post-synaptiques et pré-synaptiques, et la règle de covariance. La présentation comprend une discussion sur la matrice de covariance et la croissance des vecteurs de poids dans le contexte de l'apprentissage hébbien.

Source officielle

Concepts associés (25)

Règle de Hebb

La règle de Hebb, théorie de Hebb, postulat de Hebb ou théorie des assemblées de neurones a été établie par Donald Hebb en 1949. Elle est à la fois utilisée comme hypothèse en neurosciences et comme concept dans les réseaux neuronaux en mathématiques. En 1950, un manuscrit de Sigmund Freud datant de 1895 fut publié qui attestait que cette théorie avait déjà été formulée avant Hebb. Cette théorie est souvent résumée par la formule : () C'est une règle d'apprentissage des réseaux de neurones artificiels dans le contexte de l'étude d'assemblées de neurones.

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.

Vésicule synaptique

Les vésicules synaptiques sont de petits compartiments des terminaux présynaptiques des neurones, stockant des neurotransmetteurs qui sont susceptibles d'être libérés dans l'espace intersynaptique à la suite de l'arrivée d'un potentiel d'action dépolarisant et l'augmentation des niveaux calciques intracellulaires. Le nombre ou la taille du pool de vésicules synaptiques est variable selon le type de neurones considérés (quelques dizaines pour les petites synapses telles que celles trouvées dans l'hippocampe).

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.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Afficher plus

Séances de cours associées (64)

Computing neuromorphe : concepts et implémentations matérielles

Couvre l'informatique neuromorphe, les défis dans l'informatique ternaire et binaire, les simulations matérielles du cerveau, et les nouveaux matériaux pour les cellules cérébrales artificielles.

Transmission synaptique : électrique contre chimique

Comparer les synapses électriques et chimiques, en mettant l'accent sur leurs propriétés et leur comportement, y compris la jonction neuromusculaire et les synapses dans le SNC.

Plasticité neuronale : Changements synaptiques et fonctionnement du cerveau

Explore la plasticité neuronale, les changements synaptiques, le fonctionnement du cerveau et les états inconscients par divers mécanismes.

Bâtir des réseaux neuraux physiques

Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.

Introduction à la plasticité synaptique MOOC: Simulation d'un micro-circuit d'hippocampe

Couvre la plasticité synaptique, les types de synapses, le postulat de Hebb, LTP, LTD, et les oscillations réseau dans l'hippocampe.

Afficher plus

Concepts associés (25)

Règle de Hebb

Réseau de neurones récurrents

Vésicule synaptique

Neural network

Réseau de neurones artificiels

Afficher plus