La mise en oeuvre d'un réseau de neurones artificiels

<h4>Les réseaux de neurones et l'intelligence artificielle


Depuis une dizaine d'année, les réseaux de neurones artificiels habituellement utilisés en physique appliquée font leur entrée dans la finance en tant que méthode quantitative de prévision, à côté des méthodes statistiques classiques.

Il existe deux raisons principales qui nous ont conduit à s'intéresser à cet outil.

Après avoir déterminé l'architecture du réseau, sa mise en oeuvre nécessite trois échantillons de données. Le premier, destiné à l'apprentissage servira au paramètrage, le second servira à la validation et le troisième sera un échantillon test destiné à évaluer les capacités de généralisation du

réseau.

Durant la phase d'apprentissage, l'erreur commise diminue, jusqu'à tendre asymptotiquement vers zéro si l'architecture du réseau a été correctement choisie. Mais il convient de remarquer que plus l'erreur est faible, c'est-àdire plus le réseau apprend à reconnaître les formes qui lui sont présentées, moins il risque d'être capable de généralisation.

En effet au-delà d'un certain point, si le réseau reconnaît de mieux en mieux les formes appartenant à l'échantillon d'apprentissage, il donne de piètres résultats sur un échantillon inconnu. On dit alors qu'il se spécialise.
Or le but d'un tel système est bien de reconnaître des formes inconnues jusqu'alors.
Il convient donc d'arrêter la phase d'apprentissage lorsque le réseau semble donner les meilleurs résultats en généralisation. C'est l'échantillon de validation qui permet de suivre la capacité du système à généraliser.


Les réseaux de neurones constituent aujourd'hui une technique de traitement de données bien comprise et maîtrisée, qui devrait faire partie de la boîte à outils de tout ingénieur soucieux de tirer le maximum d'informations pertinentes des données dont il dispose : effectuer des prévisions, de la fouille de données, élaborer des modèles, reconnaître des formes ou des signaux, etc