Apprentissage.md

@@ -55,7 +55,7 @@ Hebb (1904-1985) énonce la règle de co-activation qui reprend l'idée de Thron
 
 Il s'agit là d'une formalisation du mécanisme d'*apprentissage*. C'est par le biais de modifications successives des synapses et de leur capacité à inhiber ou inciter l'influx nerveux que le réseau se modifie.
 
-Voici une illustration de la règle de Hebb :
+Voici une illustration de la règle de Hebb, en rouge les neurones activés :
 
 Soit $w_{ij}(t)$ le poids de la connexion entre les neurones $i$ et $j$ à l'instant $t$. Avec $f(n)=1$ si le neurone $n$ est activé et $f(n)=0$ si le neurone est inactif. On a : \[w_{ij}(t+1) = w_{ij}(t) + f(i) \cdot f(j)\]
 
@@ -77,6 +77,12 @@ La modélisation de Mc Culloch et Pitts, considère un neurone comme un **automa
 
 ![](figures/McCullochPittsModel.svg)
 
+Les entrées et sorties sont strictement *booléennes*, activées ou non-activées.
+
+![](figures/McCullochPittsExemple1.svg)
+
+Ici seule la combinaison $\{1, 0\}$ active la sortie, soit l'entrée activatrice est à zéro, soit elle est inhibée ($\{1, 1\}$).
+
 ### Opérateurs booléens
 
 ### Exemples