Introduction

Neural Java est une série d'exercices et de démonstrations. Chaque exercice consiste en une courte introduction, un petit programme de démonstration écrit en Java (Applet Java), et une série de questions qui sont une invitation à jouer avec le programme et explorer les possibilités des différents algorithmes.

Le but des applets est d'illustrer la dynamique de différents réseaux de neurones artificiels. L'accent est mis sur la visualisation et les interfaces interactives. Les applets Java ne sont pas destinés à de grosses applications complexes. Les utilisateurs intéressés par ce genre d'applications devront utiliser d'autres simulateurs.

La liste de modèles ci-dessous contient des algorithmes neuronaux standards comme la rétro-propagation, Kohonen et Hopfield, mais aussi des aspect biologiques avec des possibilités de visualisation des modèles de Hodgkin-Huxley et "integrate-and-fire".

Informations complémentaires

Vous pouvez consulter les liens suivants:

• Spiking Neuron Models (W. Gerstner and W. Kistler, Cambridge University Press 2002)
• Supervised Learning for Neural Networks: a tutorial with JAVA exercises (W. Gerstner).

Voir aussi:

• Some Competitive Learning Methods (Bernd Fritzke)

Exercices

Neurones Simples

1. Neurone artificiel.  
2. Neurone de McCulloch et Pitts.  
3. Integrate-and-Fire. (Nécessite Java 1.1 avec Swing).  
4. Modèle de Hodgkin-Huxley.  
5. Propagation d'un potentiel d'action dans un axone.  

Apprentissage supervisé

Réseaux simple-couche

1. Apprentissage sur Perceptron simple.  
2. Adaline, Perceptron et Rétro-propagation.  

Réseaux multi-couche

1. Perceptron multi-couche (sortie des neurones: {0;1}).  
2. Perceptron multi-couche (sortie des neurones: {-1;1}).  
3. Perceptron multi-couche et langage C.
4. Généralisation avec un Perceptron multi-couche (sortie des neurones: {-1;1}).  
5. Généralisation avec un Perceptron multi-couche (sortie des neurones: {0;1}).  
6. Reconnaissance de caractères optique (OCR) avec un Perceptron multi-couche.  
7. Prédiction avec un Perceptron multi-couche.  

Estimation de densité et Interpolation

1. Réseau de fonctions à base radiale.  
2. Modèle de mixture Gaussienne / Algorithme EM.  
3. Mixture model, utilisation de données sans label

Apprentissage non-supervisé

1. Analyse en Composantes Principales.  
2. ACP pour la reconnaissance de caractères.
3. Méthodes d'apprentissage compétitif.  

Apprentissage par Renforcement

1. Blackjack et Apprentissage par Renforcement.  

Dynamique de Réseau

1. Réseau de Hopfield.  
2. Réseau pseudoinverse.  
3. Réseau de neurones impulsionnels. (Nécessite Java 1.1 avec Swing).  
4. Simulation de la rétine. (Tourne très lentement sur certaines versions de Netscape).  

Miniprojet

Miniprojet pour l'Ecole Prédoctorale