OK, mais j'imagine que c'est différentes formes de quilles, que tu dois reconnaitre ? A moins que ce ne soit l'absence où la présence de quille (auquel cas le pb est différent !)... (quille de bateau, ou de jeu, d'ailleurs ?)

La première chose à faire est de décider d'une architecture, mais pour t'aider, il faudrait que tu m'en dises plus long sur le problème : quelle sorte d'entrée tu as, quelle taille de jeu d'apprentissage, etc.

La reconnaissance de forme marche très bien avec les réseaux à couches, mais en fonction du pb, peut-être qu'il faut envisager une solution tout a fait différente. Si tu gardes la solution des réseaux à couches, la méthode d'apprentissage classique s'appelle la rétropropagation (backpropagation en englais, si tu cherches de la doc).

Fonctionnement en qqs mots :
Dans le cas où tu n'as qu'une seule couche (le réseau s'appelle alors un "perceptron"), la méthode d'apprentissage est très simple : il suffit de modifier les poids directement en fonction de l'erreur commise sur chaque test (à condition de savoir quelle réponse il doit donner à chaque fois !).
Mais si tu as plus de couches, le problème est beaucoup plus complexe (on a pendant longtemps cru que ce n'était pas possible, a cause de ça !). Pourtant, une solution très efficace a finit par être trouvée, elle consiste en rien de plus que de modifier les poids de chaque couche en "rétropropageant" l'erreur commise, de la sortie vers l'entrée.

J'en dirai plus sur les détails techniques de l'opération si c'est bien cette méthode que tu dois utiliser, sinon, ça sert à rien de t'embêter avec ça.

Tiens-nous au courant,

Franky

Eléctions : Bush filled his SOUl with HOpe