Le deep learning (ou apprentissage profond) est un ensemble de méthodes d’apprentissage automatique conçues sur la base de réseaux de neurones profonds, visant à mimer la « profondeur » des couches d’un cerveau :
le cerveau humain est « profond », dans le sens où chaque action est le résultat d’une longue chaîne de communications synaptiques avec de nombreuses couches de traitement. Le deep learning réunit une classe d’algorithmes d’apprentissage correspondants à ces architectures profondes. Il est souvent utilisé pour un apprentissage « de bout en bout », c’est à dire l’apprentissage simultané des caractéristiques utiles des données, et de la meilleure façon de les utiliser.
Par exemple, pour distinguer une voiture d’une moto, l’algorithme peut apprendre à reconnaître les roues (caractéristique utile), puis à utiliser le nombre de roues pour les distinguer (utilisation de cette caractéristique). Cela fait appel à la fois à des connaissances en neurosciences, en mathématiques et aux progrès technologiques. Le système est constitué d’une série de modules (des couches de neurones), chacun représentant une étape de traitement. Chaque module est entraînable, comportant des paramètres ajustables (similaires aux poids des classifieurs linéaires). A chaque exemple, tous les paramètres de tous les modules sont ajustés de manière à rapprocher la sortie produite par le système de la sortie désirée. Le qualificatif « profond » vient de l’arrangement de ces modules en couches successives. Les réseaux convolutifs et les réseaux récurrents sont deux des architectures les plus en vogue actuellement pour le deep leaning. Les applications sont multiples.
Parmi les exemples récents les plus remarquables, citons le programme de reconnaissance des visages de Facebook, la victoire d’AlphaGo ou encore les outils d’aide à la conduite assistée et autonome (ADAS), la santé avec la recherche de cellules cancéreuses par la start-up DreamQuark, ou la reconnaissance de parole.
+ Retour à l'index