Deep learning

Le deep learning est un type de Machine Learning qui utilise des algorithmes conçus pour fonctionner de façon similaire au cerveau humain. Il est appelé « apprentissage profond », car il inclut de nombreuses couches du réseau de neurones artificiels et d'énormes volumes de données complexes et disparates.

Le deep learning est donc une branche du Machine Learning (ML), qui est lui-même un sous-ensemble de l’intelligence artificielle (IA). Le concept d’intelligence artificielle a pour objectif de rendre les ordinateurs capables de penser et de raisonner d’une manière similaire à celle des humains. Pour cela, le deep learning se concentre sur leur apprentissage sans une programmation explicite et il va plus loin que le machine learning en créant des modèles hiérarchiques plus complexes destinés à imiter la façon dont les humains assimilent de nouvelles informations. Il interagit avec plusieurs couches du réseau et en extrait des sorties d'un niveau de plus en plus détaillé. Voici un exemple représentatif et simple à comprendre : Le système traite des images de la nature et recherche des roses rouges. Il va dans la première couche pour reconnaître une plante et au fur et à mesure qu'il avance dans les couches, il identifie une fleur, puis il identifie une rose et il identifie enfin une rose rouge.

Dans le contexte de l’intelligence artificielle (IA) et du Machine Learning (ML), un modèle est un algorithme mathématique qui est entraîné pour arriver au même résultat ou à la même prévision qu’un expert humain lorsqu’on lui fournit les mêmes informations. Dans le cas du deep learning, les algorithmes sont inspirés de la structure du cerveau humain, et connus sous le nom de réseaux neuraux. Ces réseaux neuraux sont construits à partir de commutateurs de réseau interconnectés, conçus pour apprendre à reconnaître des schémas de la même manière que le cerveau humain et le système nerveux.

Si toute forme de deep learning est du machine learning, l’inverse n’est pas vrai. Les deux technologies impliquent un entraînement par rapport à des données de test afin de déterminer quel modèle correspond le mieux aux données.

• Machine learning : Les méthodes traditionnelles de machine learning nécessitent un certain niveau d’interaction humaine pour prétraiter les données avant que les algorithmes puissent être appliqués. C’est un sous-groupe de l’intelligence artificielle. Son objectif est de donner aux ordinateurs la capacité d’apprendre sans être spécifiquement programmés sur les résultats à fournir. Les algorithmes utilisés par le machine learning aident l’ordinateur à apprendre à reconnaître les choses. Cet apprentissage peut être fastidieux et nécessiter une quantité importante d’efforts humains.
• Deep learning : Les algorithmes de deep learning vont plus loin en créant des modèles hiérarchiques censés refléter les processus de pensée de notre propre cerveau. Ils utilisent un réseau neural multicouche qui ne nécessite pas de prétraitement des données d’entrée pour produire un résultat. Les scientifiques des données introduisent les données brutes dans l’algorithme, le système analyse les données en fonction de ce qu’il sait déjà et de ce qu’il peut déduire des nouvelles données, et établit une prévision.

L’avantage du deep learning est qu’il peut traiter les données selon des manières qui échappent à une intelligence artificielle simple, fondées sur des règles. Cette technologie peut être utilisée pour obtenir des résultats métier explicites, aussi divers qu’une meilleure détection des fraudes, un rendement accru des cultures, une précision plus élevée des systèmes de contrôle des stocks des entrepôts, et bien d’autres encore.

Le deep learning vise à améliorer ce processus d’apprentissage des machines. S’appuyant sur une intelligence artificielle et un machine learning fondés sur des règles, un scientifique des données détermine les règles et les caractéristiques du jeu de données à inclure dans les modèles, ce qui détermine le mode opératoire de ces modèles.

Dans le cas du deep learning, des données brutes sont introduites dans un algorithme qui sont analysées par le système, sans règles ou caractéristiques spécifiques préprogrammées. Suite à cette analyse, elles sont comparées à un jeu de données distinct pour en vérifier l’exactitude. Le niveau d’exactitude de ces prévisions, ou l’absence de prévisions, détermine la prochaine série de prévisions du système. Le terme « deep » fait référence aux nombreuses couches que le réseau neural accumule au fil du temps afin d’améliorer ses performances à mesure qu’il progresse dans son apprentissage. Chaque niveau du réseau traite ses données d’entrée d’une manière spécifique, qui informe ensuite la couche suivante. Ainsi, la sortie d’une couche devient l’entrée de la couche suivante.

Sources de cette définition.