L'apprentissage en profondeur est une forme puissante d'apprentissage machine (ML) qui construit des structures mathématiques complexes appelées réseaux de neurones utilisant de grandes quantités de données (informations).
Définition d'apprentissage en profondeur
L'apprentissage en profondeur est un moyen d'implémenter la ML en utilisant plusieurs couches de réseaux de neurones pour traiter des types de données plus complexes. Parfois appelé apprentissage hiérarchique, l'apprentissage en profondeur utilise différents types de réseaux de neurones pour apprendre des caractéristiques (également appelées représentations) et les trouver dans de grands ensembles de données brutes non étiquetées (données non structurées). L'une des premières démonstrations novatrices d'apprentissage en profondeur a été un programme qui a réussi à sélectionner des images de chats dans des ensembles de vidéos YouTube.
Apprendre en profondeur dans la vie quotidienne
L'apprentissage en profondeur est utilisé non seulement pour la reconnaissance d'images, mais également pour la traduction linguistique, la détection des fraudes et l'analyse des données collectées par les entreprises au sujet de leurs clients. Par exemple, Netflix utilise l'apprentissage en profondeur pour analyser vos habitudes de visionnage et prédire les séries et les films que vous préférez regarder. C’est ainsi que Netflix sait mettre les films d’action et les documentaires sur la nature dans votre liste de suggestions. Amazon utilise Deep Learning pour analyser vos achats récents et les articles que vous avez récemment recherchés pour créer des suggestions pour les nouveaux albums de musique country qui pourraient vous intéresser et que vous êtes sur le marché pour une paire de tennis gris et jaune. des chaussures. Dans la mesure où l'apprentissage en profondeur fournit de plus en plus d'informations à partir de données brutes et non structurées, les entreprises peuvent mieux anticiper les besoins de leurs clients pendant que vous, chaque client, bénéficiez d'un service client plus personnalisé.
Réseaux de neurones artificiels et apprentissage en profondeur
Pour rendre l’apprentissage en profondeur plus facile à comprendre, revenons à notre comparaison d’un réseau de neurones artificiels (RNA). Pour un apprentissage en profondeur, imaginez que notre immeuble de bureaux de 15 étages occupe un bloc ville avec cinq autres immeubles de bureaux. Il y a trois bâtiments de chaque côté de la rue. Notre bâtiment est le bâtiment A et partage le même côté de la rue que les bâtiments B et C. En face du bâtiment A se trouve le bâtiment 1, et en face du bâtiment B, le bâtiment 2, etc. Chaque bâtiment a un nombre différent d'étages, est fabriqué à partir de matériaux différents et a un style architectural différent des autres. Cependant, chaque bâtiment est toujours disposé sur des étages (couches) de bureaux (nœuds) distincts - chaque bâtiment est donc un ANN unique.
Imaginez qu’un paquet numérique arrive dans le bâtiment A et qu'il contient de nombreux types d’informations provenant de sources multiples telles que des données textuelles, des flux vidéo, des flux audio, des appels téléphoniques, des ondes radio et des photographies. n'est pas étiqueté ou trié de manière logique (données non structurées). Les informations sont envoyées à travers chaque étage dans l'ordre 1st jusqu'à 15th pour traitement. Après le bourrage d’informations atteint le 15th étage (sortie), il est envoyé au 1st étage (entrée) du bâtiment 3 ainsi que le résultat final du traitement du bâtiment A. Le bâtiment 3 apprend et intègre le résultat envoyé par le bâtiment A, puis traite de la même manière les informations enchevêtrées à travers chaque étage. Lorsque les informations atteignent le dernier étage du bâtiment 3, elles sont envoyées au bâtiment 1 avec les résultats de ce dernier. Le bâtiment 1 tire les résultats du bâtiment 3 et en intègre les résultats avant d’être traité étage par étage. Le bâtiment 1 transmet les informations et les résultats de la même manière au bâtiment C, qui traite et envoie au bâtiment 2, qui traite et envoie au bâtiment B.
Chaque ANN (bâtiment) de notre exemple recherche une caractéristique différente dans les données non structurées (fouillis d'informations) et transmet les résultats au bâtiment suivant. Le prochain bâtiment incorpore (apprend) la sortie (les résultats) du précédent. Lorsque les données sont traitées par chaque ANN (bâtiment), elles sont organisées et étiquetées (classées) par une caractéristique particulière. Ainsi, lorsque les données atteignent la sortie finale (dernier étage) du dernier ANN (bâtiment), elles sont classées et étiquetées. (plus structuré).
Intelligence artificielle, apprentissage automatique et apprentissage en profondeur
Comment l'apprentissage en profondeur s'intègre-t-il dans le tableau général de l'intelligence artificielle (IA) et du ML? L'apprentissage en profondeur augmente la puissance de ML et augmente l'éventail de tâches que l'IA est capable d'accomplir. Parce que l'apprentissage en profondeur repose sur l'utilisation de réseaux de neurones et la reconnaissance des fonctionnalités au sein d'ensembles de données au lieu d'algorithmes plus simples spécifiques à une tâche, il peut rechercher et utiliser des détails à partir de données non structurées (brutes) sans qu'un programmeur ait à les étiqueter manuellement - une fois. -consommant tâche qui peut introduire des erreurs. L'apprentissage en profondeur aide les ordinateurs à utiliser de mieux en mieux les données pour aider les entreprises et les particuliers.
