🔹 𝗖𝗼𝗺𝗽𝗿𝗲𝗻𝗱𝗿𝗲 𝘂𝗻 𝗻𝗲𝘂𝗿𝗼𝗻𝗲 𝗮𝗿𝘁𝗶𝗳𝗶𝗰𝗶𝗲𝗹 𝗲𝗻 𝟭 𝗺𝗶𝗻𝘂𝘁𝗲 !

Un neurone artificiel reçoit des entrées pondérées (x·w), ajoute un biais (b) puis applique une fonction d’activation φ :

👉 Équation :
y = φ(w₁x₁ + w₂x₂ + ... + wₘxₘ + b)
ou sous forme vectorielle :
y = φ(wᵀx + b)

➡️ C’est le mécanisme de base qui permet aux réseaux de neurones d’imiter le fonctionnement du cerveau humain 🧠.

---

🐍 Implémentation en Python

import numpy as np

 

class NeuroneArtificiel:

    def __init__(self, n_inputs, activation='logistic'):

        self.weights = np.random.randn(n_inputs)  # poids

        self.bias = np.random.randn()             # biais

        self.activation = activation

 

    def __call__(self, x):

        z = np.dot(x, self.weights) + self.bias

        if self.activation == 'logistic':

            return 1 / (1 + np.exp(-z))  # Sigmoïde

        elif self.activation == 'relu':

            return np.maximum(0, z)      # ReLU

        else:

            return z                     # Linéaire

 

# Exemple

neurone = NeuroneArtificiel(n_inputs=3, activation='logistic')

x = np.array([0.3, -1.2, 0.7])

y = neurone(x)

 

print("Entrée :", x)

print("Sortie :", y)

print("Poids :", neurone.weights)

print("Biais :", neurone.bias)

✅ Exemple de sortie :

Entrée : [ 0.3 -1.2  0.7]

Sortie : 0.7155

Poids  : [ 0.4010  0.8758 -0.5280]

Biais  : 2.2226

---

________________________________________

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 

________________________________________

---

#️⃣ #IntelligenceArtificielle #DeepLearning #MachineLearning #DataScience #NeuroneArtificiel