Précédent : Fondements scientifiques Remonter : Fondements scientifiques Suivant : L'intégration neurosymbolique
Précédent : Fondements scientifiques Remonter :
Fondements
scientifiques Suivant : L'intégration
neurosymbolique
Mots clés : connexionnisme, réseaux neuromimétiques, réseaux de neurones artificiels, perceptron, perceptron multi-couches, carte auto-organisatrice, classification, statistiques .
Le connexionnisme peut être défini comme l'étude de graphes d'unités simples interconnectées, effectuant des calculs numériques élémentaires à partir de leurs entrées et de paramètres internes. On connait plus particulièrement le connexionnisme neuromimétique qui étudie les réseaux de neurones artificiels comme les modèles de perceptron ou les cartes auto-organisatrices de Kohonen. Ces modèles ont été largement étudiés sous l'angle de leurs capacités d'apprentissage et de leurs similitudes avec des classifieurs statistiques (c'est ainsi que l'on peut qualifier le perceptron multicouches d'approximateur universel).
Une autre caractéristique remarquable des réseaux de neurones artificiels est qu'ils ont été appliqués avec succès à un grand nombre de tâches (mise en correspondance, prédiction, contrôle) dans des domaines très différents (traitement de signal et de données, procédés industriels, finance, médecine). Le point commun de ces problèmes est de pouvoir être posés de manière à utiliser les capacités associatives des réseaux de neurones artificiels, vus comme des classifieurs. En revanche, les modèles connexionnistes sont plus difficiles à mettre en oeuvre pour des tâches de plus haut niveau cognitif, comme le raisonnement.