Accéder au contenu principal

Sélection

Computer Vision: Classification Binaire avec TensorFlow 2

 Computer Vision(Vision par ordinateur): Classification binaire avec TensorFlow 2  Bonjour ou bonsoir selon l'heure à laquelle vous lisez cet article, C'est avec plaisir que je vous retrouve pour parler de la vision par ordinateur qui est un domaine du Machine Learning.  Dans cet article, nous verrons comment faire de la classification d'images avec TensorFlow 2.  Alors, prenez place et on y va !!! 

Comprendre le Machine Learning et le Deep Learning

Comment faire la différence entre le Machine Learning et le Deep Learning?


Bonjour la team #TheDayinfo 😀, je suis plus que heureux de vous retrouver en cette nouvelle année pour partager avec vous le premier article: Comprendre le Machine Learning et le Deep Learning



Je voudrais d'abord vous souhaiter mes vœux de bonheur et de réussite🙏 pour cette nouvelle année.
Nous allons dans cet article explorer le Machine Learning et le Deep Learning avec une attention particulière sur les différences. 

Dans un passé pas très lointain, j'ai rédigé un article sur comprendre le Deep Learning. Je vous invite donc à le lire ici avant de continuer la lecture pour plus de compréhension.

Qu'est ce que le Machine Learning(ML)?

Ici, je mettrai en avant les algorithmes de Machine Learning et leur utilisation. Pour les bases sur le ML, veuillez consulter mon article ici.

Alors, vous vous êtes déjà demandé comment Gmail arrive t'il à classer un mail comme un spam ou non? Par quelle technique, il arrive à faire cette classification? 

La réponse est simple: Machine Learning. En français apprentissage automatique de la machine. 

Le Machine Learning utilise un ensemble d'algorithmes répondant à un problème donné avec un ensemble de données. 

Voyons ensemble les algorithmes les plus utilisés en Machine Learning:
  • Arbre de décision(Decision Tree): Classification et régression  
  • Réseau de neurones(Network neural): Perceptron et Back-Propagation
  • Régression(Regression): Régression linéaire, régression logistique, Least Square methods
  • Clustering: K-Means Clustering, Expectation maximization
  • Instance Based: K-Nearest Neighbour
  • Bayesian: Naive Bayes
  • Regulization: LASSO and Ridge
  • Ensemble: Random Forest, Bagging and Bosting
  • Dimension reduction: Principal Component Analysis, Linear Discriminant Analysis

Qu'est ce que le Deep Learning (DL)?

Le Deep Learning est une évolution du ML avec plusieurs moyen de faciliter l'implémentation du ML.
 
Mais on ne peut parler de DL sans parler de ANN(Artificial Network Neural). 

       Qu'est ce qu'un ANN?

Ce sont des modèles de calcul basés sur la structure et la fonction des réseaux de neurones biologiques.

L' ANN se compose de systèmes en couches(Couche d'entrée, Couche cachée et couche de sortie) dans lesquels chaque couche a plusieurs blocs de construction appelés Neurones qui effectuent des tâches de calculs spécifiques.

Le DL fait de l'automatisation de prédiction. Précisément, il aide à concevoir un modèle à travers lequel nous pouvons lui transmettre notre datasets (Jeux de données). 

Voyons maintenant les modèles les plus utilisés: 
  • Back Propagation
  • Max_pooling
  • Dropouts
  • Stochatic Gradient Descent (SGD)
  • Batch Normalization
  • Learning Rate Decay Curve
  • Long Short-Term Memory

Le premier niveau de l'intelligence artificielle est le Machine Learning et le DL est le niveau supérieur. Le DL  est ce qui nous permet de mettre en place les humanoïdes ou encore les voitures autonomes.

Voilà pour aujourd'hui 😎 , j'espère que vous avez apprit quelque chose. N'hésitez pas à laisser un commentaire pour une remarque ou une critique. 

Excellente semaine à vous!!!


Commentaires

Articles les plus consultés

Follow @ArmelYara