Apprentissage profond [Deep Learning] : Définition, concepts et exemples

July 04, 2020

Le Deep Learning, ou apprentissage profond est un type d’intelligence artificielle dérivé du machine learning (apprentissage automatique) où la machine est capable d’apprendre par elle-même contrairement à la programmation traditionnelle où les processus exécutés sont prédéfinis. Découvrez en quoi consiste cette technologie, son fonctionnement, et ses différents secteurs d’application.

Contenu:

  1. Apprentissage profond: Définition simple
  2. Apprentissage profond: Comment ça fonctionne ?
  3. Différence entre deep learning et machine learning
  4. Exemples du deep learning

Apprentissage profond: Définition simple

Le deep learning est une fonction de l’intelligence artificielle qui imite le fonctionnement du cerveau humain dans le traitement des données et la création de modèles à utiliser dans la prise de décision. deep learning

Le deep learning est un sous-ensemble du machine learning qui dispose de réseaux capables d’apprendre sans surveillance à partir de données non structurées ou non étiquetées. Également connu sous le nom d’apprentissage neuronal profond (deep neural learning) ou réseau de neurones profond (deep neural network).

Historique:

Le concept de Machine Learning date de la moitié du 20ème siècle. A cette époque, le mathématicien anglais Alan Turing imagine une machine capable d’apprendre, une « Learning Machine ».

Au cours des décennies suivantes, le développement de cette discipline a permis de créer des algorithmes de plus en plus performants capables d’apprendre et de s’améliorer de manière autonome.

Apprentissage profond: Comment ça fonctionne ?

Le deep learning a évolué de pair avec l’ère numérique, qui a provoqué une explosion de données sous toutes leurs formes et dans toutes les régions du monde.

Ces données, simplement appelées big data, sont extraites de sources telles que les médias sociaux, les moteurs de recherche Internet, les plateformes de commerce électronique et les cinémas en ligne, entre autres. Cette énorme quantité de données est facilement accessible et peut être partagée via des applications fintech comme le cloud computing.

Cependant, les données, qui ne sont normalement pas structurées, sont si vastes qu’il pourrait falloir des décennies aux humains pour les comprendre et extraire des informations pertinentes.

La plupart des méthodes d’apprentissage profond utilisent des architectures de réseaux neuronaux, c’est pourquoi les modèles de deep learning sont souvent appelés réseaux de neurones profonds.

Le terme «deep» fait généralement référence au nombre de couches cachées dans le réseau neuronal. Les réseaux de neurones traditionnels ne contiennent que 2-3 couches cachées, tandis que les réseaux profonds peuvent en avoir jusqu’à 150.

apprentissage profond

Cette figure présente des réseaux de neurones organisés en couches constituées d’un ensemble de nœuds interconnectés. Les réseaux peuvent avoir des dizaines ou des centaines de couches cachées.

Prenons un exemple concret pour mieux comprendre son fonctionnement:

Le deep learning a une application incontournable qui est la reconnaissance des images.

Le système apprendra par exemple à déterminer s’il y a un visage sur une photo avant de découvrir de quelle personne il s’agit.

Apprentissage profond

Le deep Learning est donc capable d’identifier un chat sur une photo qui ne lui a jamais été présentée. A chaque couche du réseau neuronal correspond un aspect particulier de l’image.

À chaque étape, les « mauvaises » réponses sont éliminées et renvoyées vers les niveaux supérieurs pour ajuster le modèle mathématique.

Au fur et à mesure, le programme apprend et s’auto corrige, les informations sont reconstruites en blocs plus complexes.

Lorsque ce modèle est par la suite appliqué à d’autres cas de figure, il sera capable de reconnaître un chat. Les données de départ sont essentielles et jouent sur la précision de la reconnaissance : plus le système accumule d’expériences différentes, plus il sera performant.

Différence entre deep learning et machine learning

Le deep learning est une forme spécialisée du machine learning. Un workflow d’apprentissage automatique commence par l’extraction manuelle des fonctionnalités pertinentes à partir des images.

Les fonctionnalités sont ensuite utilisées pour créer un modèle qui classe les objets dans l’image. Avec un workflow d’apprentissage profond, les fonctionnalités pertinentes sont automatiquement extraites des images.

En outre, le deep learning effectue un «apprentissage de bout en bout» - où un réseau reçoit des données brutes et une tâche à effectuer, comme la classification, et apprend à le faire automatiquement.

Une autre différence clé est que les algorithmes d’apprentissage en profondeur évoluent avec les données, tandis que le Shallow Learning (apprentissage peu profond) converge. Le Shallow Learning fait référence aux méthodes de machine learning qui atteignent un certain niveau de performances lorsque vous ajoutez plus d’exemples et de données de formation au réseau.

Un avantage clé des réseaux d’apprentissage profond est qu’ils continuent souvent de s’améliorer à mesure que la taille de vos données augmente.

deep learning vs machine learning

Dans l’apprentissage automatique, vous choisissez manuellement les fonctionnalités et un classificateur pour trier les images. Avec l’apprentissage en profondeur, les étapes d’extraction et de modélisation des fonctionnalités sont automatiques.

Exemples du deep learning

apprentissage profond: exemple'

Les applications du deep learning vont de la conduite autonome aux dispositifs médicaux.

Conduite autonome: Les chercheurs automobiles utilisent l’apprentissage profond pour détecter automatiquement des objets tels que les panneaux d’arrêt et les feux de circulation. De plus, l’apprentissage profond est utilisé pour détecter les piétons, ce qui contribue à réduire les accidents.

Aérospatiale et défense: Le deep Learning est utilisé pour identifier des objets provenant de satellites qui localisent des zones d’intérêt et identifier des zones sûres ou dangereuses pour les troupes.

Recherche médicale: les chercheurs sur le cancer utilisent l’apprentissage en profondeur pour détecter automatiquement les cellules cancéreuses. Les équipes de l’UCLA ont construit un microscope avancé qui fournit un ensemble de données de grande dimension utilisé pour former une application de deep learning afin d’identifier avec précision les cellules cancéreuses.

Électronique: L’apprentissage profond est utilisé dans la traduction automatique (Exemple du service google traduction). Par exemple, les appareils d’assistance à domicile qui répondent à votre voix et connaissent vos préférences sont alimentés par des applications d’apprentissage en profondeur.

D’autres applications du deep learning sont:

  • reconnaissance d’images,
  • recommandations personnalisées,
  • modération automatique des réseaux sociaux,
  • prédiction financière et trading automatisé,
  • identification de pièces défectueuses,
  • détection de malwares ou de fraudes,
  • chatbots (agents conversationnels),
  • Robots intelligents.

Aujourd’hui, le deep Learning est même capable d’inventer un langage totalement nouveau afin d’aider des machines à communiquer entre elles.

En résumé:

  • L’apprentissage profond est une fonction de l’IA qui imite le fonctionnement du cerveau humain dans le traitement des données à utiliser dans la prise de décision.
  • L’IA en apprentissage profond est capable d’apprendre à partir de données (Big Data) à la fois non structurées et non étiquetées.
  • Le Deep Learning, un sous-ensemble d’apprentissage automatique, peut être utilisé pour aider à détecter la fraude ou le blanchiment d’argent, la reconnaissance faciale…

Ressource:

Mathworks