Apprentissage.md

@@ -200,6 +200,31 @@ Le Perceptron utilise un **apprentissage supervisé par renforcement.** En fonct
 
 ![](figures/PerceptronApprentissage.png)
 
+Le Perceptron fonctionne sur une variante de la règle de Hebb:
+
+```math
+w_{ij}(t+1) = w_{ij}(t) + \eta(s_i\cdot s_j)
+```
+
+Le neurone $`j`$ prenant ses entrées sur la sortie du neurone $`i`$, avec :
+
+- $`w_{ij}(t)`$: le poids de la connexion entre $`i`$ et $`j`$ au temps $`t`$.
+- $`\eta`$: le pas d'apprentissage, $`0 < \eta \leq 1`$.
+- $`s_i`$: signal transmis par le neurone $`i`$.
+- $`s_j`$: signal transmis par le neurone $`j`$.
+
+
+Mais la règle de Hebb ne peut que **renforcer** les pondération synaptiques !
+
+La règle du Perceptron est une version évoluée de la règle de Hebb :
+
+```math
+w_{ij}(t+1) = w_{ij}(t) + \eta(d_j - s_j)s_i
+```
+- $`\eta`$ : le pas d'apprentissage entre $`0`$ et $`1`$. On peut le faire varier durant l'apprentissage, partant d'une valeur élevée, pour arriver à des valeurs plus basses pour affiner la solution.
+- $`d_j`$ : la sortie **désirée**.
+- $`s_j`$ : la sortie **obtenue** pour l'**entrée courante**.
+
 ### Exemple d'apprentissage
 
 ### Exercices