Comprendre aisément le Deep Learning DL

C'est quoi le Deep Learning DL?

Bonsoir très chers lecteurs de la team #TheDayInfo👋.

Je suis heureux de vous retrouver pour l'article du jour sur un domaine de l'intelligence artificielle qu'est le Deep Learning(Apprentisage profond).

Avant de rentrer dans le vif du sujet, permettez-moi de planter le décor pour les novices et profanes de la team.

Dans le monde de l'intelligence artificielle, nous avons le Machine Learning(Ce que tout le monde appelle intelligence artificielle) et le Deep Learning(Sous domaine du Machine Learning) qui sont respectivement l'apprentissage automatique des machines et l'apprentissage profond.

Schéma de différenciation de l'IA, ML et DL 

Le Deep Learning utilise une classe d'algorithme appelée réseaux de neurones artificielles(RNA) dont la plupart des articles scientifiques fait un rapprochement avec les réseaux de neurones biologiques, ce qui n'est pas juste et qui est très différent dans la pratique.

Ainsi, lorsqu'on parle de Deep(Profond), on fait allusion à la quantité de couches cachées pouvant aller jusqu'à 150 dans un réseau de neurones.

Un réseau de neurones artificielles

Les entrées(en vert) sont les données(Ex: les caractéristiques d'un chien que sont la forme de la gueule, le pelage, les pattes...etc), les neurones (en bleu) dont une colonne représente une couche cachée et le neurone de sortie qui est en réalité le résultat du traitement des données fait dans les couches cachées. 

Tout cet ensemble forme le réseau de neurones, élément principal du Deep Learning.

Comment fonctionne un réseau de neurones? 

Un réseau de neurones fonctionne avec un dataset(Jeu de données) étiquetés avec des millions de données et une grande puissance de calcul GPU. Il est conseillé de ne pas utiliser sa machine pour le Deep Learning mais plutôt le cloud avec des ressources illimitées.

Perceptron 

Dans l'image ci-dessus, nous voyons les fonctions mathématiques utilisées par un neurone afin de traiter les données qu'il reçoit.

les x sont les entrées avec leur paramètre 𝞱  dont la somme est égale à Z. Ensuite, le neurone fait passer le Z dans sa fonction d'activation ici la fonction sigmoïde (fonction logistique).

Lorsque nous fournissons les entrées(input, données), le réseau nous retourne un résultat(output) avec une erreur que nous allons tenter de réduire en agissant sur le poids et le biais(seuil de référence).

Il est possible de visualiser ceci avec Playground Tensorflow😎 . Je vous laisse découvrir le réseau de neurones.

Réseau de neurones sur playground Tensorflow

Voilà c'est tout pour aujourd'hui😇, n'hésitez pas à me laisser vos questions en commentaire, sur Twitter ou par mail à armelyara@thedayinfo.com.

Excellente semaine à vous!!!