[Réseaux de neurones] Structure de l'algorithme d'apprentissage

Bonjour,

après moult recherche sur différent forum et après avoir lu le cours http://alp.developpez.com/tutoriels/...x-de-neurones/
de nombreuses questions subsiste a propos des réseaux de neurones.
Je n'ai absolument rien programmer(je le ferais en python ou C) donc je voudrais "tester/comprendre" les RDN avec un exemple des plus simple.

Admettons que je veuille prédire la météo a partir des facteurs suivants : "température, taux d'humidité" (C'est un monde merveilleusement simple)

Concrètement ca donne quoi ?
une matrice puis un algo d'apprentissage et une sortie pour prédire les futurs résultat ?
(Moi pas comprendre, désolé)

Quelqu'un ayant un peu de temps a perdre pourrait il me donner une explication SIMPLE ? avec un exemple simple si possible ? :oops:

Je vous remercie d'avance.

Les matrices sont une modélisation mathématique des RdN, mais pas le plus simple pour les comprendre.
Il vaut mieux que tu vois ça comme un graphe avec une couche d'entrée et une couche de sortie.

Dans ton exemple, tu aurais :
- une couche d'entrée avec deux neurones (un neurone par caractéristique/descripteur)
- zéros, une ou plusieurs couche(s) cachées avec un nombre de neurones que tu choisis.
- une couche de sortie avec au choix : un seul neurone si tu veux une probabilité telle que 0 est un temps pourrisimal et 1 un temps magnifique ; un neurone par type de temps (beau, vent, pluie, etc.).

Il te faut bien entendu un échantillon d'apprentissage, ce qui veut dire que pour chaque couple (température, taux d'humidité), tu as la météo correspondante (beau, mauvais temps, pluie, etc.).