Deep learning

Deep learning (ou Apprentissage en profondeur ou apprentissage structuré profond ou l’apprentissage hiérarchique) est une famille de technique d’intelligence artificielle qui s’appuie sur l’analyse de grandes quantités de données pour créer des modèles qui permettent de prévoir par exemple l’évolution des ventes d’un produit, de qualifier le contenu d’une image ou d’une vidéo ou encore d’analyser un texte.

En deep learning, on doit réunir un grand nombre de données exemples (des images de chat si on souhaite que le model permettent d’identifier des chats)  et contre-exemple (des chiens, par exemple) que l’on demande à un algorithme d’analyser afin qu’il indique s’il estime probable que l’image est effectivement celle d’un chat. Les données initiales constitue le jeu d’entraînement qui permettent à l’algorithme d’apprendre. Aussi longtemps que le modèle créé par l’algorithme n’est pas suffisamment performant, il faut modifier ses paramètres ou augmenter la qualité et la quantité des données. Si le modèle est suffisamment performant sur le jeu de données dites « d’entraînement), on le teste sur le jeu de données de contrôles. Si le modèle est aussi performant sur le jeu de donnée de contrôle, il peut être mis en production et déployé.

Dans le cas du deep learning, le modèle est un réseau de neurones profond.

Le deep learning fait partie d'une famille plus large du machine Learning, un ensemble de méthodes basées sur les réseaux de neurones artificiels. L'apprentissage peut être supervisé, semi-supervisé ou non supervisé .  

Les architectures d'apprentissage profondes telles que les réseaux de neurones profonds, réseaux de croyances profondes, les réseaux de neurones récurrents et les réseaux de neurones convolutionnels ont été appliqués aux domaines, y compris la reconnaissance d’image, la reconnaissance vocale, le traitement du langage naturel, la reconnaissance audio, filtrage de réseau social, la traduction automatique, la bio - informatique, la conception de médicaments, l’analyse d’images médicales, l’inspection des matériaux et les programmes de jeux de société, où ils ont produit des résultats comparables et parfois supérieurs aux experts humains .  

Les réseaux de neurones artificiels (RNA) ont été inspirés par le traitement de l'information et les nœuds de communication distribués dans les systèmes biologiques. Les RNA ont différentes différences par rapport aux cerveaux biologiques . Plus précisément, les réseaux neuronaux tendent à être statiques et symboliques, alors que le cerveau biologique de la plupart des organismes vivants est dynamique (plastique) et analogique