Réseau de neurones récurrentsUn 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.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
Réseau de neurones à impulsionsLes réseaux de neurones à impulsions (SNNs : Spiking Neural Networks, en anglais) sont un raffinement des réseaux de neurones artificiels (ANNs : Artificial Neural Networks, en anglais) où l’échange entre neurones repose sur l’intégration des impulsions et la redescente de l’activation, à l’instar des neurones naturels. L’encodage est donc temporel et binaire. Le caractère binaire pose une difficulté de continuité au sens mathématique (cela empêche notamment l’utilisation des techniques de rétropropagation des coefficients - telle que la descente de gradient - utilisées classiquement dans les méthodes d'apprentissage).
Système nerveux autonomeLe système nerveux autonome aussi appelé système nerveux végétatif est la partie du système nerveux périphérique responsable des fonctions non soumises au contrôle volontaire. Il contrôle notamment les muscles lisses (digestion, vascularisation...), les muscles cardiaques, la majorité des glandes exocrines (digestion, sudation...) et certaines glandes endocrines. Le système nerveux autonome contient des neurones périphériques mais aussi centraux.
Calcul par réservoirLe calcul par réservoir (de l'anglais reservoir computing) est un cadre de calcul dérivé de la théorie des réseaux de neurones récurrents qui mappe un ou plusieurs signaux d'entrée dans des espaces de calcul de dimension supérieure grâce à la dynamique d'un système fixe et non linéaire appelé réservoir . Une fois que le signal d'entrée est introduit dans le réservoir, qui est traité comme une « boîte noire », un simple mécanisme de lecture est entraîné pour lire l'état du réservoir et le mapper à la sortie souhaitée.
Système nerveux périphériquethumb|upright=1.3|Schéma du système nerveux avec le système nerveux périphérique en bleu et le système nerveux central en rouge. Le système nerveux périphérique (SNP) est la partie du système nerveux formée des ganglions et des nerfs à l'extérieur du cerveau et de la moelle épinière. Sa fonction principale est de faire circuler l'information entre les organes et le système nerveux central (SNC). À l'inverse du SNC, le SNP n'est pas protégé par les os du crane et de la colonne ; il n'est pas non plus recouvert par la barrière hémato-encéphalique qui assure l'isolation du SNC.
Système nerveux somatiqueLe système nerveux somatique est la partie du système nerveux périphérique qui commande les mouvements et la position du corps et permet de percevoir par la peau diverses sensations (toucher, chaleur, douleur) et de découvrir par les autres organes des sens le milieu environnant (vision, audition, olfaction). Il est constitué de neurones sensitifs et de neurones moteurs.
Système nerveuxthumb|Le système nerveux humain. Le système nerveux (ou système neuronal) est un système biologique animal responsable de la coordination des actions avec l'environnement extérieur et de la communication rapide entre les différentes parties du corps. Les êtres vivants dotés d'un système nerveux sont nommés eumétazoaires. Il exerce un contrôle sur l'ensemble du corps qui se traduit par des actes volontaires ou involontaires, et des sensations qui sont conscientes ou inconscientes.
Système nerveux parasympathiqueLe système nerveux parasympathique ou système vagal ou encore appelé parasympathique est une des trois divisions du système nerveux autonome (SNA) ou viscéral, avec le système nerveux orthosympathique et le système nerveux entérique. Le SNA régule les fonctions corporelles qui ne sont pas sous le contrôle volontaire de l'individu. Le parasympathique, quant à lui, travaille en opposition au système nerveux (ortho)sympathique. Ce dernier activant le corps en réponse à des stimuli stressants.
Système nerveux sympathiqueLe système nerveux sympathique ou système nerveux orthosympathique ou adrénergique, est une des trois parties du système nerveux autonome. Les deux autres parties sont le système nerveux entérique et le système nerveux parasympathique, ce dernier déclenchant (la plupart du temps) des réponses antagonistes au système nerveux sympathique. Il est responsable du contrôle d'un grand nombre d'activités automatiques de l'organisme, telles que le rythme cardiaque ou la contraction des muscles lisses.
Système nerveux central250px|Le système nerveux central Central nervous system.svg Le système nerveux central (ou névraxe) - parfois désigné par son abréviation, SNC - est la partie du système nerveux comprenant l'encéphale et la moelle spinale. Le système nerveux central est ainsi nommé parce qu'il contient la majeure partie du système nerveux, mais aussi et surtout parce qu'il intègre les informations qu'il reçoit et coordonne ces signaux centraux pour influer sur l'activité de toutes les parties du corps des animaux bilatéralement symétriques (ou Bilateria ; ce sont tous les animaux multicellulaires, sauf les éponges et les animaux à symétrie radiale (ou radiata) tels que les méduses).
Réseau de neurones artificielsUn 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.
Vanishing gradient problemIn machine learning, the vanishing gradient problem is encountered when training artificial neural networks with gradient-based learning methods and backpropagation. In such methods, during each iteration of training each of the neural networks weights receives an update proportional to the partial derivative of the error function with respect to the current weight. The problem is that in some cases, the gradient will be vanishingly small, effectively preventing the weight from changing its value.
Réseau de neurones de HopfieldLe réseau de neurones d'Hopfield est un modèle de réseau de neurones récurrents à temps discret dont la matrice des connexions est symétrique et nulle sur la diagonale et où la dynamique est asynchrone (un seul neurone est mis à jour à chaque unité de temps). Il a été popularisé par le physicien John Hopfield en 1982. Sa découverte a permis de relancer l'intérêt dans les réseaux de neurones qui s'était essoufflé durant les années 1970 à la suite d'un article de Marvin Minsky et Seymour Papert.
Intégration sensorielleL’intégration sensorielle fait référence à plusieurs concepts différents. En neurophysiologie, l’intégration sensorielle se réfère au processus neurologique impliquant la réception, la modulation et l’intégration des informations sensorielles. Le système nerveux transforme les sensations en perceptions en organisant les informations sensorielles provenant du corps et de l’environnement (fournies par les différents systèmes sensoriels : tactile, auditif, visuel, gustatif/olfactif, vestibulaire, proprioceptif) afin d’utiliser efficacement le corps.
Highway networkIn machine learning, the Highway Network was the first working very deep feedforward neural network with hundreds of layers, much deeper than previous artificial neural networks. It uses skip connections modulated by learned gating mechanisms to regulate information flow, inspired by Long Short-Term Memory (LSTM) recurrent neural networks. The advantage of a Highway Network over the common deep neural networks is that it solves or partially prevents the vanishing gradient problem, thus leading to easier to optimize neural networks.
Récepteur (cellule)thumb|Cônes et bâtonnets de la rétine en microscopie électronique (fausses couleurs). Les neurones récepteurs (ou sensoriels) constituent le premier niveau cellulaire du système nerveux de la perception. Ils transduisent des signaux physiques (lumière, son, température, pression, tension mécanique...) en signaux chimiques (neurotransmetteurs) transmis à un neurone postsynaptique qui convertira le message en signal nerveux transmis sous forme de trains de potentiel d'action. photorécepteur (vision) bâtonnet
Système sensorielUn système sensoriel est une partie du système nerveux responsable de la sensation. Il regroupe les récepteurs sensoriels, les voies nerveuses, et les parties du cerveau responsables du traitement de l'information sensorielle. L'ensemble des systèmes sensoriels se divisent en sensibilité générale ou somesthésie et en sens dits spécifiques : la vision, l'odorat, le goût, l'ouïe et le toucher. Il existe sept sens : les cinq sens vu ci-dessus (vision, odorat, goût, ouïe et toucher), ainsi que le système vestibulaire et le système proprioceptif.
Modèle de Markov cachéUn modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) — (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc.
Trouble de l'intégration sensorielleLe trouble du traitement sensoriel (ou SPD, pour Sensory processing disorder, aussi anciennement dénommé "dysfonctionnement de l'intégration sensorielle") désigne un trouble correspondant à une difficulté ou à une incapacité du système nerveux central à traiter adéquatement les flux d'informations sensorielles arrivant dans le cerveau, lequel ne peut alors fournir de réponses appropriées aux exigences de l'environnement.
