L'intelligence artificielle est le fondement de l'apprentissage automatique et l'avenir de tous les processus décisionnels complexes. L'intelligence artificielle combine des algorithmes mathématiques et des techniques de Machine Learning, Deep Learning et Big Data pour extraire les connaissances contenues dans les données et les présenter de manière compréhensible et automatique. Ce livre traite de l'utilisation des réseaux neuronaux pour l'apprentissage supervisé et non supervisé. En ce qui concerne l'apprentissage supervisé, les architectures les plus courantes sont examinées, telles que le perceptron multicouche, le réseau à base radiale, les réseaux ADALINE, les réseaux HOPFIELD, les réseaux probabilistes, les réseaux linéaires, les réseaux de régression généralisée, les réseaux LVQ, les réseaux linéaires et les réseaux pour l'optimisation des modèles de régression. Dans cette section de l'analyse supervisée, il convient d'accorder une attention particulière aux réseaux neuronaux pour la prédiction des séries temporelles tels que le réseau LSTM, les réseaux GRU, les réseaux neuronaux récurrents RNN, les réseaux NARX, les réseaux NNAR et, en général, les réseaux neuronaux dynamiques. L'apprentissage non supervisé développe des réseaux de reconnaissance des formes et d'analyse des clusters tels que les réseaux KOHONEN (SOM Self-Organising Maps), les réseaux de reconnaissance des formes, les réseaux neuronaux autoencodeurs, les réseaux d'apprentissage par transfert, les réseaux de détection d'anomalies et les réseaux neuronaux convolutifs. Les sujets suivants décrivent méthodologiquement les architectures des différents types de réseaux neuronaux et leur utilité dans les applications pratiques. En outre, pour chaque type de réseau neuronal, des exemples sont présentés avec une syntaxe optimale dans les langages R et Python.