I.1- Introduction :
Dans ce chapitre, nous
présenterons l’apprentissage en profondeur (DL) et les réseaux de
neurones profonds (DNN), c'est-à-dire des réseaux de neurones avec plusieurs
couches cachées. Vous pouvez vous demander quel est le but d’utiliser plus
d'une couche cachée est, étant donné le théorème d'approximation universel.
C'est dans question naïve, et pendant longtemps les réseaux de neurones ont été
utilisés de cette façon.
Sans entrer trop dans les détails, une des raisons est que se rapprocher d'une fonction complexe pourrait nécessiter un nombre énorme de neurones dans la couche cachée, rendant son utilisation peu pratique.Il est capable d’apprendre des abstractions de caractéristiques d’exemples d’entrée, de comprendre la caractéristiques de base des exemples et de faire des prédictions basées sur celles les caractéristiques. C'est un niveau d'abstraction qui manque dans d'autres machines de base apprentissage (ML) et dans les réseaux neuronaux peu profonds.
II.2-I.2-Notions de base sur l'apprentissage automatique (Machine Learning Basics) :
I.2-1- L'apprentissage
automatique : est un domaine de l'informatique qui donne aux
ordinateurs la possibilité d'apprendre sans être explicitement programmé :
Fig. I.2-1 :
Méthodes permettant d'apprendre et de prédire des données.
I.2-2- Types
d'apprentissage (Types of Learning) :
Supervisé :
Apprentissage
avec un ensemble de formation étiqueté
Exemple : classification des emails avec
des emails déjà étiquetés
Non
Supervisé : Découvrez
des modèles
dans des données sans étiquette
Exemple : regrouper des documents
similaires basés sur du texte
Apprentissage
par renforcement : apprendre
à agir
sur la base du retour / récompense
Exemple : apprendre à jouer Go, récompense : gagner ou perdre.
III.2-3- ML vs. Deep Learning:
La plupart des
méthodes d'apprentissage automatique fonctionnent bien en raison
de représentations et de fonctions de saisie conçues
par l'homme.
ML devient simplement une optimisation des poids pour mieux faire une prédiction finale.
II.3-I.3 Introduction à l'apprentissage en profondeur (Deep Learning) :
I.3-1-Qu'est-ce que l'apprentissage en
profondeur (DL) ? :
Un sous-champ d'apprentissage automatique des représentations
de données d'apprentissage.
Exceptionnel efficace pour l'apprentissage des modèles.
Les algorithmes d'apprentissage
approfondi tentent d'apprendre (à plusieurs niveaux) la représentation en
utilisant une hiérarchie de plusieurs couches, Si vous fournissez au système
des tonnes
d'informations, il commence à le comprendre et à réagir de manière
utile(1).
FigI.3-1: ML vs. Deep Learning.
II.3-2- Pourquoi
DL est-il utile ? :
1. Les
fonctionnalités conçues manuellement sont souvent sur-spécifiées, incomplètes
et prennent beaucoup de temps à concevoir et à valider.
2. Les fonctionnalités apprises sont faciles à adapter, rapides à apprendre.
3. L'apprentissage
en profondeur fournit un cadre très souple, universel
(presque ?) Et pouvant être appris pour représenter des informations mondiales,
visuelles et linguistiques.
4. Peut
apprendre à la fois sans surveillance et sous surveillance.
5. Apprentissage
efficace du système conjoint de bout en bout.
6. Utiliser
de grandes quantités de données d'entraînement.
I