L’apprentissage se manifeste par une simple différence entre l’avant et l’après. La même entrée est fournie au réseau, mais la sortie change après l’entraînement ; ce changement est mesurable via un score d’erreur.
Cette leçon établit une définition concrète de l’apprentissage ainsi que de la boucle d’entraînement que vous étudierez plus en détail dans les leçons suivantes.
Au départ, un réseau de neurones produit généralement des prédictions instables, car ses paramètres sont initialisés avec de petits nombres aléatoires. Si vous soumettez deux fois la même entrée au même code sans rien modifier, la sortie reste identique, bien qu’elle puisse être systématiquement erronée.
Après une certaine durée d’entraînement, l’entrée reste inchangée, mais la prédiction tend à se rapprocher de la bonne étiquette , car les poids ont été mis à jour entre-temps. C’est là le comportement observable fondamental que vous pouvez vérifier avant d’aborder les aspects théoriques.
Utilisez l’exemple interactif de classification pour comparer les prédictions aléatoires initiales à la précision obtenue après plusieurs étapes de mise à jour.
Le changement découle d’une mesure explicite. Le réseau produit une prédiction ; vous la comparez à une étiquette cible et calculez une métrique d’erreur qui attribue une valeur plus élevée aux mauvaises prédictions et une valeur plus faible aux meilleures.
L’entraînement consiste en une étape de mise à jour qui ajuste légèrement les paramètres afin que la prédiction suivante tende à générer une erreur moindre sur des exemples similaires. L’apprentissage n’est ni un état ni une simple fonctionnalité. C’est un processus itératif au cours duquel les valeurs des paramètres évoluent sous l’influence de l’erreur mesurée.
Découvrez comment ces éléments s’articulent dans les relations entre paramètres, prédictions, étiquettes, métrique d’erreur et étape de mise à jour.