Deep Learning (DL)
Apprentissage profond utilisant des réseaux de neurones artificiels à plusieurs couches pour modéliser des abstractions complexes.
Le deep learning est une branche du machine learning qui s’appuie sur des réseaux de neurones à plusieurs couches pour apprendre directement des représentations de plus en plus abstraites à partir des données. Il est particulièrement efficace quand les entrées sont riches et peu structurées (images, texte, audio, séries temporelles), car il réduit le besoin de concevoir manuellement des “features”.
Comment ça fonctionne
Un modèle est composé de couches de neurones qui transforment l’entrée étape par étape. Pendant l’entraînement, il ajuste ses paramètres (poids) pour minimiser une fonction de perte :
- Propagation avant : calcul de la sortie à partir de l’entrée.
- Backpropagation : calcul du gradient de l’erreur.
- Descente de gradient (souvent avec des variantes comme Adam) : mise à jour des poids.
L’apprentissage peut être supervisé (avec labels), non supervisé, ou auto-supervisé selon la tâche et les données disponibles.
À quoi ça sert
- Vision : classification d’images, détection d’objets, segmentation.
- NLP : traduction, résumé, recherche sémantique, chatbots.
- Audio : reconnaissance vocale, séparation de sources.
- Industrie : détection d’anomalies, maintenance prédictive.
Points d’attention
Le deep learning requiert souvent beaucoup de données, du calcul (GPU/TPU) et une vigilance sur le surapprentissage, la dérive des données et les biais.