Qu'est-ce que l'apprentissage profond ?
Un sous-ensemble de l'apprentissage automatique utilisant des réseaux neuronaux multicouches pour apprendre des représentations hiérarchiques de caractéristiques à partir de données brutes pour la reconnaissance d'images et le traitement du langage
Summary
- Utilise plusieurs couches cachées entre l'entrée et la sortie pour apprendre progressivement des représentations abstraites, chaque couche extrayant des caractéristiques de plus en plus complexes à partir de pixels ou de texte bruts.
- Permet des applications révolutionnaires telles que la vision par ordinateur (classification d'images, détection d'objets), le traitement automatique du langage naturel (traduction, analyse des sentiments) et la reconnaissance vocale.
- L'entraînement nécessite de vastes ensembles de données étiquetées, d'importantes ressources de calcul (GPU/TPU) et des techniques comme la rétropropagation, le dropout et la normalisation par lots pour éviter le surapprentissage.
Qu'est-ce que le deep learning ?
Le deep learning est un domaine du machine learning qui consiste à appliquer à de grandes quantités de données des algorithmes inspirés de la structure et du fonctionnement du cerveau humain. Pour cette raison, les modèles de deep learning sont souvent appelés « réseaux de neurones profonds ». Il fait partie de la grande famille des méthodes de machine learning reposant sur l'apprentissage des représentations de données plutôt que sur des algorithmes traditionnels, spécialisés dans une tâche.
Comment fonctionne le deep learning ?
Dans le deep learning, un modèle informatique apprend à effectuer des tâches de classification directement à partir d'images, de texte ou de sons. Il effectue une tâche de façon répétée en apportant de petites modifications pour améliorer le résultat. Les modèles de deep learning peuvent dépasser la performance humaine. Ils sont entraînés à l'aide d'un large ensemble de données étiquetées et d'architectures de réseau de neurones contenant de nombreuses couches. La partie la plus importante d'un réseau de neurones de deep learning est sa couche de nœuds de calcul, appelés « neurones ». Chaque neurone est connecté à tous les neurones de la couche sous-jacente. Dans le cas du deep learning, le réseau de neurones exploite au moins deux couches cachées. Ces couches cachées permettent aux chercheurs d'effectuer des calculs plus approfondis. Comment fonctionne l'algorithme ? Il faut comprendre que chaque connexion a sa pondération mais, avec un réseau de neurones profond, nous pouvons automatiquement identifier les fonctionnalités les plus importantes à des fins de classification. C'est la fonction d'activation qui évalue l'itinéraire que doit emprunter le signal à chaque neurone, exactement comme dans un cerveau humain.
Gartner® : Databricks, leader des bases de données cloud
Les différents types de couche de deep learning :
- La couche de nœuds d'entrée reçoit les informations et les transfère aux nœuds du niveau inférieur. Le réseau identifie alors des motifs de contraste local.
- C'est dans les couches de nœuds cachées que les calculs apparaissent : c'est la couche qui utilise les motifs de contraste local pour identifier les objets semblables.
- Les résultats des calculs apparaissent dans la couche de nœuds de sortie. Dans cette couche, les fonctionnalités sont appliquées aux modèles.
Un réseau de neurones profond peut créer des fonctionnalités d'une complexité croissante à chaque nouvelle couche.