L'objet du présent article est de proposer une introduction à la connaissance des Réseaux de Neurones Artificiels (RNA), fondements de méthodes qui, après les sciences exactes, intéressent aujourd'hui les sciences humaines. Une vision à la fois panoramique et historique de l'intérêt qu'ils ont suscité et des concepts de base permet d'introduire une présentation de leur mode de fonctionnement et de leurs avantages. Au-delà, cet article révèle les points-clés de la mise en œuvre des RNA, propose une application commentée sur un cas pratique et dresse un panorama de l'utilisation des RNA en marketing.
Get full access to this article
View all access options for this article.
References
1.
AlmeidaL.B. (1988), Backpropagation in Perceptions with Feedfack, in NATO ASI Series, 41, Neural Computer, Paris.
2.
AnsB. (1985), Découverte d'une représentation pertinente des formes par une machine neuromimétique douée d'apprentissage, Séminaire de Sciences Cognitives, Laboratoire de psychologie expérimentale, Université de Grenoble II.
3.
de BeauvilleJ.-P. AsselinVignierA.GosseaumeO. (1993), Expérimentation du neurones stochastique sur le Perceptron, Rapport Interne, E3I.
4.
de BeauvilleJ.-P. AsselinAlonsoJ.DuclosS. (1994), Un adaline récursif, Rapport interne du Laboratoire d'Informatique, E3I.
5.
AurifeilleJ.-M. (1994), Contribution de l'analyse neuronale à la modélisation des comportements de consommation, in Actes du Congrès de l'Association Française du Marketing, Paris, mai, 10, 791–815.
6.
AurifeilleJ.M. (1995), Typologie prédictive: une approche biomimétique par réseau de neurones et algorithme génétique, Deuxième rencontre internationale Approches Neuronales en Sciences Economiques et de Gestion, Poitiers, Octobre.
7.
BaileyD.L.ThompsonD.M.FeinsteinJ.L. (1988), Options Trading Using Neural Networks, Neuro-Nîmes.
8.
BardosM.ZhuW. (1995), Comparaison de l'analyse discriminante linéaire et des réseaux de neurones, Application à la détection de défaillance d'entreprises, Deuxième rencontre internationale Approches Neuronales en Sciences Economiques et de Gestion, Poitiers, Octobre.
9.
BartoA.G.AnandanP. (1985), Pattern Recognizing Stochastic Learning Automata, IEEE transactions on Systems and Cybernetics, 15, 360–375.
10.
BlayoF.DemartinesP. (1991), Data Analysis: How to Compare Kohonen Neural Networks to Other Techniques ?, International Workshop on Artificial Neural Networks, Lecture Notes in Computer Science, 540, 469–476, Springer Verlag, 1991.
11.
BonéR.de BeauvilleJ.-P. Asselin (1995), Réseaux de neurones et données temporelles: Application à la prévision des ventes en fonction des investissements publicitaires, Deuxième rencontre internationale Approches Neuronales en Sciences Economiques et de Gestion, Poitiers, Octobre.
12.
BulsariA.B.SaxenH. (1993), A Recurrent Neural Network for Time-Series Modelling, Working Paper, Heat Engineering Laboratory, Abo Akademi, Finland.
13.
CohenIL.SudhalterV. (1993), A Neural Network Approach to the Classification of Autism, Journal of Autism and Developmental Disorders, 23, 3, 443–466.
14.
CottrelM.de BodtE.HenrionE.F.IbbouI.WolfsA.WymeerschC.V. (1995), Comprendre la décision de leasing à l'aide d'une carte de Kohonen, Une étude empirique, Deuxième rencontre internationale Approches Neuronales en Sciences Economiques et de Gestion, Poitiers, Octobre.
15.
CottrelM.GirardB.GirardY.MangeasM.MullerC. (1993), Neural Modeling for Time Series: a Statistical Stepwise Method for Weight Elimination, Pré-Publication du Samos, 20 juillet, Paris.
16.
DeffuantG. (1993), Adaptation et autopoïèse, Ingénierie des systèmes d'information, 1, 69–92.
17.
DesmetP. (1995), Apport des réseaux de neurones pour le scoring en marketing direct, Deuxième rencontre internationale Approches Neuronales en Sciences Economiques et de Gestion, Poitiers, Octobre.
18.
EricksonG. M. (1981), Using Ridge Regression to Estimate Directly Lagged Effects in Marketing, Journal of the American Statistical Association, 76, 376, 766–773.
19.
FitzsimonsM.KhabazaT.ShearerC. (1993), The Application of Rule Induction and Neural Networks for Television Audience Prediction, Information Based Decision Making in Marketing, Proceedings, ESO-MAR/EMAC/AFM, Paris, Novembre, 69–82.
20.
Fogelman-SouliéF.GallinariP.Le CunY.ThiriaS. (1987), Automata Network and Artificial Intelligence in Automata Networks in Computer Science Theory and Applications, Manchester University Press, 133–186.
21.
Fogelman-SouliéF. (1991), Apports du connexionnisme à la fusion du renseignement, Systèmes d'Information et de Communication, 274–289.
22.
FuchsC.VictorriB. (1992), Modéliser la levée d'ambiguïté a l'aide d'un réseau connexionniste, Technique et science informatiques, 11, 2, 93–108.
23.
GallinariP.ThiriaS.FogelmanF., Multilayer Perceptrons and Datat Analysis, International Conference on Neural Networks (San Diego), June 1988.
24.
GallinariP.ThiriaS.BadranF.Fogelman-SoulieF. (1991), On the Relations Between Discriminant Analysis and Multilayer Perceptrons, Neural Networks, 4, 349–360.
25.
GasserM.LeeC.D. (1993), Networks and Morphophonemic Rules Revisited, Working Paper, Computer Science Department, Indiana University, Bloomington, Etats-Unis.
26.
GoriN. (1989), An extension of BPS, Neuro-Nîmes 89, Nîmes, novembre, 83–93.
27.
GormanR.P.SejnowskiT.J. (1988), Analysis of Hidden Units in a Layered Network, Neural Networks, 1, 1, 75–89.
28.
Grey-TedescoB. (1993), Neural Analysis: Artificial Intelligence Neural Networks Applied to Single Source and Geodemographic Data, Information Based Decision Making in Marketing, Proceedings ESO-MAR/EMAC/AFM, Paris, novembre, 83–93.
29.
HatabianG. (1992), Are Artificial Neural Networks a Dangerous Adversary for Statistical Data Analysis, in Computational Statistics, DodgeY.WhittakerJ. ed, Springer-Verlag, 2, 299–304.
30.
HartmanisJ.StaernsR.E. (1966), Algebraic Structure Theory of Sequential Machines, Prentice Hall International series in Applied Mathematics.
31.
HebbD.O. (1949), The Organization of Behavior, Ed. Wiley, New York.
32.
NielsenR. Hecht (1990), Neural Computing; the Technology of Non-Algorithmic Information Processing, Addison-Wesley.
33.
HopfieldJ.J. (1982), Neural Networks and Physical Systems with Emergent Collective Computational Abilities, Proc. of the National Academy of Sciences, Etats-unis, 79, 2554–2558.
34.
HruschkaH.NatterM. (1994), Clustering-Based Market Segmentation Using Neural Networks, Communication au Congrès de l'AFM, Paris, Mai, 23 p.
35.
KnerrS.PersonnazL.DreyfusG. (1990), A Stepwise Procedure for Building and Training a Neural Network, in Neurocomputing, NATO ASI Series, Ed. Springer-Verlag, Berlin, 68, 41–50.
36.
KnerrS.PersonnazL.DreyfusG. (1992), Handwritten Digit Recognition by Neural Networks with Single-layer Training, IEEE Transactions on Neural Networks, 3, 6, 962–968.
37.
KohaviZ. (1978), Switching and Finite Automata Theory, Second Editions, Computer Science Séries, McGraw-Hill.
38.
Le CunY. (1985), A Learning Procedure for Asymmetric Threshold Network, Proc. of CognitivaCESTA-AFCET, Paris, 599–604.
39.
Le CunY. (1989), Generalization and Network Design Strategies in Connectionnism in Perspective, PfeiferEd, Elsevier Science Pub.
40.
Le CunY.BoserB.DenkerJ.S.HendersonD.HowardR.E.HubbardW.JackelL.D. (1989), Back Propagation Applied to Handwritten Zipcode Recognition, Neural Computation, 1, 541–551.
41.
LeonardJ.A. (1993), La capacité d'apprentissage des réseaux neuronaux: un atout dans l'amélioration des processus industriels, Travail et Méthodes, 504, 37–43.
42.
LippmannR.P. (1987), An Introduction to Computing with Neural nets, IEEE ASSP Magazine, Avril.
43.
McCullochW.S.PittsW. (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5, 115–133.
44.
MezardM.NadalJ.P. (1989), Learning in Feedforward Layered Networks: the Tiling Algorithm, Journal of Physics, 22, 2191–2203.
45.
MezardM.NadalJ.P. (1990), Réseaux de neurones et physique statistique, Le courrier du CNRS, 76, 99–105.
46.
MichaelisB.KrellG. (1993), Artificial Neural Networks for Image Improvement, 5th International Conference Computer Analysis of Images and Patterns, CAIP1993, Budapest, Hongrie, Septembre.
47.
MicheauxA. (1993), Conférence sur les réseaux neuronaux, Cercle du Marketing Direct, Paris, 13 Janvier.
48.
MinskyM.L.PappertS.A. (1969), Learning Theory: Perceptrons, expanded edition, MIT press.
49.
MountinhoL.CurryB. (1994), Consumer perceptions of ATMs: an application of neural networks, in Quantitative Methods in Marketing, HooleyG.J.HusseyM.K. ed., Academic Press LTD, Londres, 191–206.
50.
MullerC.RadouiM. (1990), Réseaux neuromimétiques et analyse des données, xxiie Journées de Statistiques, Tours, 22 p.
51.
NottolaC.CondaminL.NaïmP. (1991), Réseaux de neurones durs pour l'extraction de règles, Neuro-Nîmes, 327–340.
52.
PinedaF.J. (1988), Dynamics and Architecture for Neural Computation, Journal of Complexity, 4, 216–245.
53.
PitratJ. (1992), La symbiose entre l'intelligence artificielle et la science cognitive, Technique et science informatique, 11, 2, 9–24.
54.
RosenblattF. (1957), The Perception: a Probabilistic Model for Information Storage and Organization in the Brain, Psychological Review, 65, 386–408.
55.
RousselleJ.J. (1993), Applications industrielles des réseaux de neurones artificiels, Rapport Interne, E3I, Tours, 34 p.
56.
RumelhartD.E.HintonG.E.WilliamsR.J. (1986) Learning Internal Representations by Error Propagation in Parallel Distributed Processing: Explorations of the Microstructure of Cognition, MIT Press, Cambridge, 318–362.
57.
SejnowskiT.J.RosenbergC.R. (1987), Parallel Network that Learn to Pronounce English Text, Complex Systems, 1, 145–168.
58.
SiratJ.A.NadalJ.P. (1990), Neural Trees: a New Tool for Classification, Preprint, Laboratories d'électronique Philips, Limeil-Brévannes, France.
59.
TouzetC. (1992), Les réseaux de neurones artificiels, Ed EC2.
60.
VerleyG.de BeauvilleJ.P. Asselin (1993), Validation des systèmes de reconnaissance des formes: une contribution méthodologique, Rapport interne, Laboratoire d'Informatique, E3I, Université de Tours.
61.
VerleyG.de BeauvilleJ.P. AsselinRamatE.LeclereqN. (1994), Différences théoriques et expérimentales entre les réseaux de neurones multicouches et le classifieur bayesien, Colloque Neuromimetisme, Lyon, juin 1994.
62.
VerleyG.de BeauvilleJ.P. AsselinRamatE.SlimaneM. (1995), Contrôle de l'apprentissage dans les réseaux multicouches, Rapport interne n° 157, Laboratoire d'Informatique, E3I, Université de Tours.
