|
|
 |
|
Guide rapide d'utilisation
1. Copiez le fichier zip FENNIX_004.zip et installez ce logiciel dans votre ordinateur.2. Executez l'application FENNIX_004.jar et créez un WORKSPACE. Un workspace contient des réseaux de neurones, des datasets et des paramètres.
3. Sélectionnez l'onglet Datasets pour définir la/les base(s) de données à utiliser. Faites "add dataset" pour chercher les fichiers qui contiennent les données d'entraînement et de validation. Une fois chargée la base de données, vous pouvez normaliser les données pour faciliter la tâche d'apprentissage à l'aide de la fonction "Normalize".
4. Sélectionnez l'onglet MLP (multi-layer Perceptron) pour y créer un réseau de neurones Perceptron multicouches. Introduire le nombre de neurones dans la couche d'entrée et dans la couche de sortie. Ensuite indiquez le nombre de neurones dans la couche cachée et faites "add layer". Répetez cette derniere opération pour ajouter plus de couches cachées. Finisez avec "Create".
5. L'onglet "Networks" visualise les réseaux existants, ces propriétés (nombre de couches, nombre de neurones, etc). L'option "Export Network" sauve les poids synaptiques dans un fichier texte (voir format des fichiers).
6. Revenez a la fenetre de base et regardez dans les "Commands" les différens options. Pour utiliser ces commandes, il faut sélectionner la commande désirée et ensuite "Configuration".
7. La commande "Split Dataset" est utilisé lorsque vous voulez faire une validation croisée. La commande "Sample Dataset" est utilisé lorsque vous voulez diviser une base de données en deux bases de données: une pour faire l'entraînement et une autre pour la validation.
8. Backpropagation. Cette commande entraine le Perceptron multicouches (MLP). Sélectionnez la base de données d'entrainement (et la base de données de validation), les parametres d'apprentissage (le taux d'apprentissage ETA peut varier dans le temps si on le veut, MU est utilisé pour introduire un terme de momentum, W.Decay pour faire du "weight decay"), le nombre d'itérations à réaliser, etc. Le minError est un paramètre qui indique à l'algorithme d'apprentissage de ne pas utiliser un "exemple" qui est déjà appris (c'est à dire que l'erreur pour l'exemple en question est plus petite que cette valeur). Cochez "Validate" pour évaluer l'erreur de validation (ou de généralisation) à chaque itération sur la base d'entraînement et finisez par GO.
9. Performance. Cette commande vous permet d'évaluer la performance du réseau entrainé. Sélectionnez la base de donnée a évaluer, l'erreur (en pourcentage) accepté pour considérer qu'une sortie du réseau de neurones est correcte et GO.
10. Fichiers. Le format des fichiers sauvés par Fennix est expliqué à l'aide de ce document.
SBI 2008