<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>