<html><head><META http-equiv="Content-Type" content="text/html; charset=ISO-8859-1"><title>3. Connexionnisme</title><link href="style.css" rel="stylesheet" type="text/css"><meta content="DocBook XSL Stylesheets V1.70.1" name="generator"><link rel="start" href="index.html" title="Guide pratique sur l'intelligence artificielle et la vie
artificielle sous GNU/linux"><link rel="up" href="index.html" title="Guide pratique sur l'intelligence artificielle et la vie
artificielle sous GNU/linux"><link rel="prev" href="ar01s02.html" title="2. Intelligence Artificielle traditionnelle"><link rel="next" href="ar01s04.html" title="4. Informatique évolutive"></head><body bgcolor="white" text="black" link="#0000FF" vlink="#840084" alink="#0000FF"><div class="navheader"><table summary="Navigation header" width="100%"><tr><th align="center" colspan="3">3. Connexionnisme</th></tr><tr><td align="left" width="20%"><a accesskey="p" href="ar01s02.html">Précédent</a> </td><th align="center" width="60%"> </th><td align="right" width="20%"> <a accesskey="n" href="ar01s04.html">Suivant</a></td></tr></table><hr></div><div class="section" lang="fr"><div class="titlepage"><div><div><h2 class="title" style="clear: both"><a name="N1044A"></a>3. Connexionnisme</h2></div></div></div><p>Le connexionnisme est un terme technique pour un groupe de
techniques liées. Ces techniques comprennent des notions comme les Réseaux
de Neurones Artificiels, des Réseaux Sémantiques et quelques autres idées
similaires. Dans cette section je me concentre essentiellement sur les
réseaux de neurones (bien que je cherche aussi des ressources sur les
autres techniques). Les réseaux neuronaux sont des programmes conçus pour
simuler le fonctionnement du cerveau. Ils consistent en un réseau de
petits nœuds basés sur les mathématiques, qui fonctionnent ensemble afin
de former des schémas d'information. Ils ont un potentiel énorme et
semblent actuellement rencontrer un grand succès dans le traitement de
l'image et le contrôle de robots.</p><div class="section" lang="fr"><div class="titlepage"><div><div><h3 class="title"><a name="N1044F"></a>3.1. Bibliothèques de classe/code sur le connexionnisme</h3></div></div></div><p>Ce sont des bibliothèques de code ou de classes à utiliser dans la
programmation dans le domaine du connexionnisme. Elles ne sont pas
destinés à être des applications autonomes, mais plus des applications
pour construire vos propres applications.</p><div class="glosslist"><dl><dt>Logiciel de modélisation Bayésienne flexible</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.cs.utoronto.ca/~radford/fbm.software.html" target="_top">
www.cs.utoronto.ca/~radford/fbm.software.html</a>
</p></li></ul></div></p><p>Ce logiciel implémente les modèles Bayésiens flexibles pour
des applications de régression et de classification qui sont basés
sur les réseaux neuronaux à perception multi-couche ou sur les
transformations Gaussiennes. L'implémentation utilise les méthodes
de Monte Carlo de chaîne de Markov. Les modules logiciels qui sont
compatibles avec l'échantillonnage des chaînes de Markov sont
incluses dans la distribution, et peuvent être utiles à d'autres
applications.</p></dd><dt>BELIEF</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.cs.cmu.edu/afs/cs/project/ai-repository/ai/areas/reasonng/probabl/belief/" target="_top">
www.cs.cmu.edu/afs/cs/project/ai-repository/ai/areas/reasonng/probabl/belief/</a>
</p></li></ul></div></p><p>BELIEF (croyance) est une implémentation Common Lisp de la
fusion et de l'algorithme de propagation de Dempster et Kong pour
des Modèles de Fonction de Croyances Graphique et l'algorithme de
Lauritzen et Spiegelhalter pour des Modèles Probabilistes
Graphiques. Il comprend du code pour manipuler les modèles de
Croyance graphiques comme les réseaux Bayésiens et les diagrammes
de Relevance (un sous-ensemble des diagrammes d'Influence) en
utilisant à la fois les fonctions de croyance et les probabilités
comme des représentations basiques de l'incertitude. Il utilise la
version de Shenoy et de Shafer de cet algorithme, donc l'une de
ses caractéristiques uniques est le fait qu'il supporte à la fois
les distributions de probabilité et les fonctions de croyance. Il
possède aussi un support limité des modèles de second ordre
(distributions de probabilité sur les paramètres).</p></dd><dt>bpnn.py</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://arctrix.com/nas/python/bpnn.py" target="_top">
arctrix.com/nas/python/bpnn.py</a>
</p></li></ul></div></p><p>Un simple ANN à propagation arrière en Python.</p></dd><dt>CNNs</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.isi.ee.ethz.ch/~haenggi/CNNsim.html" target="_top">
www.isi.ee.ethz.ch/~haenggi/CNNsim.html</a>
</p></li><li><p>
Un site plus récent : <a href="http://www.isi.ee.ethz.ch/~haenggi/CNNsim_adv_manual.html" target="_top">
www.isi.ee.ethz.ch/~haenggi/CNNsim_adv_manual.html</a>
</p></li><li><p>
Version Java :<a href="http://www.ce.unipr.it/research/pardis/CNN/cnn.html" target="_top">
www.ce.unipr.it/research/pardis/CNN/cnn.html</a>
</p></li></ul></div></p><p>Réseaux neuronaux cellulaires (CNN : Cellular Neural
Networks) est un paradigme d'informatique parallèle massive défini
dans des espaces discrets de dimension N.</p></dd><dt>CONICAL</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://strout.net/conical/" target="_top">
strout.net/conical/</a>
</p></li></ul></div></p><p>CONICAL est une bibliothèque de class en C++ pour construire
des simulations communes à la neuroscience informatique.
Actuellement, elles se concentrent sur la modélisation
compartimentale, avec des caractéristiques proches de GENESIS et
NEURON. Un modèle de NEURON est fait de compartiments, souvent
avec une forme cylindrique. Quand ils sont assez petits, ces
cylindres à possibilité d'extension peuvent approximer quasiment
toutes les géométries. Les classes futures pourront accepter les
cinématiques de réaction-diffusion et bien plus. Une
caractéristique clef de CONICAL est sa compatibilité à travers les
plates-formes, il a été entièrement codéveloppé et testé sous
Unix, DOS et Mac OS.</p></dd><dt>L'architecture neuronale de Jet</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.voltar-confed.org/jneural/" target="_top">
www.voltar-confed.org/jneural/</a>
</p></li></ul></div></p><p>L'architecture neuronale de Jet est un châssis C++ pour
faire des projets de réseau neuronaux. Le but de ce projet était
de faire une architecture neuronale rapide et flexible qui n'est
pas limité à une sorte de réseau, et de s'assurer que
l'utilisateur final pourra facilement écrire des applications
utiles. De même, toute la documentation est facile d'accès.</p></dd><dt>Joone</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://joone.sourceforge.net" target="_top">
joone.sourceforge.net</a>
</p></li></ul></div></p><p>Joone est un châssis de réseau neuronal pour créer,
entraîner et tester des réseaux neuronaux. Le but est de créer un
environnement distribué pour des utilisateurs enthousiastes ou
professionnels, basé à la fois sur JavaSpaces et sur les dernières
technologies Java. Joone est composé d'un moteur central qui est
le fulscrum de toute application qui existe déjà ou qui va être
développé. Le moteur neuronal est modulaire, de taille réglable,
multi-tâches et robuste. Tout le monde peut écrire de nouveaux
modules pour implémenter de nouveaux algorithmes ou de nouvelles
architectures à partir des simples composants distribués avec le
moteur central. L'idée principale est de créer les bases pour
promouvoir un million d'applications sur l'IA qui résolveront les
problèmes autour du cœur de la structure.</p></dd><dt>Classe Matrice</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site FTP :<a href="http://ftp.cs.ucla.edu/pub/" target="_top">
ftp.cs.ucla.edu/pub/</a>
</p></li></ul></div></p><p>Une classe Matrice C++ simple, rapide et efficace conçue
pour les scientifiques et les ingénieurs. La classe Matrice est
tout à fait adaptée à des applications avec des algorithmes
mathématiques complexes. A titre d'exemple de l'utilité la classe
Matrice, elle a été utilisé pour implémenter l'algorithme de
rétropropagation de l'erreur pour un réseau neuronal artificiel à
réaction positive multi-couche.</p></dd><dt>Neural Networks at your Fingertips (Réseaux Neuronaux sur
le bout des doigts)</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web : <a href="http://www.neural-networks-at-your-fingertips.com/" target="_top">http://www.neural-networks-at-your-fingertips.com/</a>
</p></li></ul></div></p><p>:TODO:</p></dd><dt>NEURObjects</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web : <a href="http://www.disi.unige.it/person/ValentiniG/NEURObjects/" target="_top">http://www.disi.unige.it/person/ValentiniG/NEURObjects/</a>
</p></li></ul></div></p><p>:TODO:</p></dd><dt>Pulcinella</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://iridia.ulb.ac.be/pulcinella/Welcome.html" target="_top">
iridia.ulb.ac.be/pulcinella/Welcome.html</a>
</p></li></ul></div></p><p>Pulcinella est écrit en Common Lisp, et semble être une
bibliothèque de fonctions Lisp pour la créer, modifier et évaluer
des systèmes valués. Alternativement, l'utilisateur peut choisir
d'interagir avec Pulcinella via une interface graphique
(disponible uniquement dans le CL Allegro). Pulcinella fournit les
primitives pour construire et évaluer des modèles incertains en
accord avec plusieurs calculs incertains, comprenant la théorie de
la probabilité, la théorie de la possibilité, et la théorie des
fonctions de croyance de Dempster-Shafer, et la théorie de la
possibilité par Zadeh, Dubois et Prade. Un manuel est disponible
sur demande.</p></dd><dt>ScnANNlib</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.sentinelchicken.org/projects/scnANNlib/" target="_top">
www.sentinelchicken.org/projects/scnANNlib/</a>
</p></li></ul></div></p><p>SCN Artificial Neural Network Library (Bibliothèque de
réseau neuronal artificiel SCN) fournit un programmateur avec une
API simple orientée objet pour construire des ANNs. Actuellement,
la bibliothèque est compatible avec les réseaux non récursifs avec
un nombre de couches arbitraires, chacune avec un nombre de nœuds
arbitraires. Des installations existent pour s'entraîner
avidement, et il existe des plans pour étendre gracieusement les
fonctionnalités de la bibliothèque dans ses versions
futures.</p></dd><dt>Applications du UTCS Neural Nets Research
Group</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.cs.utexas.edu/users/nn/pages/software/software.html" target="_top">
www.cs.utexas.edu/users/nn/pages/software/software.html</a>
</p></li></ul></div></p><p>Cette entrée, un peu différemment des autres, est une
référence à une collection de logiciels plutôt qu'à une seule
application. Elle a été développée par le <a href="http://www.cs.utexas.edu/users/nn/pages/" target="_top"> UTCS Neural Net
Research Group</a> (Groupe de recherche sur les réseaux
neuronaux UTCS). Voici un résumé des logiciels disponibles
:</p><p><div class="itemizedlist"><ul type="disc"><li><p>
Traitement du langage naturel <div class="itemizedlist"><ul type="circle"><li><p>
MIR — Prototypage rapide basé sur TCL/TK pour le
traitement des phrases
</p></li><li><p>
SPEC — Analyse grammaticale des phrases
complexes
</p></li><li><p>
DISCERN — Traitement d'histoires basées sur les
scripts, comprenant :<div class="itemizedlist"><ul type="square"><li><p>
PROC — Analyse grammaticale, génération,
réponse à des questions
</p></li><li><p>
HFM — Organisation de la mémoire
épisodique
</p></li><li><p>
DISLEX — Traitement lexical
</p></li><li><p>
DISCERN — Le modèle intégré complet
</p></li></ul></div>
</p></li><li><p>
FGREPNET — Apprentissage des représentations
distribuées
</p></li></ul></div>
</p></li><li><p>
Auto-organisation <div class="itemizedlist"><ul type="circle"><li><p>
LISSOM — Carte auto-organisante avec des
connections latérales.
</p></li><li><p>
FM — Cartes auto-organisantes génériques
</p></li></ul></div>
</p></li><li><p>
Neuroévolution <div class="itemizedlist"><ul type="circle"><li><p>
Sous-populations disciplinées (ESP : Enforced
Sub-Populations) pour les taches de décision
séquentielle.<div class="itemizedlist"><ul type="square"><li><p>
Equilibrage de pôle double non
markoviens.
</p></li></ul></div>
</p></li><li><p>
Neuroévolution adaptive et symbiotique (SANE :
Symbiotic, Adaptive NeuroEvolution, prédécesseur
d'ESP)<div class="itemizedlist"><ul type="square"><li><p>
JavaSANE — Application Java pour appliquer
SANE à de nouvelles tâches.
</p></li><li><p>
SANE-C — Version C, prédécesseur de
JavaSANE.
</p></li><li><p>
Equilibrage de pôles — SANE de niveau neuronal
sur la tâche d'équilibrage de pôle.
</p></li></ul></div>
</p></li><li><p>
Programme de neuroévolution d'augmentation de
topologies (NEAT : NeuroEvolution of Augmenting
Topologies) pour l'évolution de réseau neuronaux
utilisant une structure.
</p></li></ul></div>
</p></li></ul></div></p></dd><dt>Divers réseaux neuronaux (C++)</dt><dd><p><div class="itemizedlist"><ul type="disc"><li><p>
Site web :<a href="http://www.dontveter.com/nnsoft/nnsoft.html" target="_top">
www.dontveter.com/nnsoft/nnsoft.html</a>
</p></li></ul></div></p><p>Exemples de codes de réseaux neuronaux tirés du livre <a href="http://www.dontveter.com/basisofai/basisofai.html" target="_top"> The
Pattern Recognition Basics of AI</a>. Ce sont des exemples
simples de codes de ces divers réseaux neuronaux. Ils fonctionnent
correctement comme un bon point de départ pour des
expérimentations simples et pour apprendre à quoi ressemble le
code derrière les simulateurs. Les types de réseaux disponibles
sur le site (codés en C++) sont :</p><p><div class="itemizedlist"><ul type="disc"><li><p>
le paquetage Backprop
</p></li><li><p>
Les algorithmes du plus proche voisin
</p></li><li><p>
L'algorithme d'activation interactive
</p></li><li><p>
Les algorithmes des machines de Hopfield et de
Boltzman
</p></li><li><p>
Le classificateur de schéma linéaire
</p></li><li><p>
ART I
</p></li><li><p>
La mémoire associative bi-directionnelle
</p></li><li><p>
Le réseau à rétropropagation et à réaction
positive.
</p></li></ul></div></p></dd></dl></div></div><div class="section" lang="fr"><div class="titlepage"><div><div><h3 class="title"><a name="N105A1"></a>3.2. A venir</h3></div></div></div><p>:TODO:</p></div></div><div class="navfooter"><hr><table summary="Navigation footer" width="100%"><tr><td align="left" width="40%"><a accesskey="p" href="ar01s02.html">Précédent</a> </td><td align="center" width="20%"> </td><td align="right" width="40%"> <a accesskey="n" href="ar01s04.html">Suivant</a></td></tr><tr><td valign="top" align="left" width="40%">2. Intelligence Artificielle traditionnelle </td><td align="center" width="20%"><a accesskey="h" href="index.html">Sommaire</a></td><td valign="top" align="right" width="40%"> 4. Informatique évolutive</td></tr></table></div></body></html>
