« Apprentissage profond » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
Ligne 3 : Ligne 3 :
L’apprentissage profond fait partie d’une famille plus large de méthodes d’apprentissage automatique basée sur des réseaux de neurones artificiels à plus d'une couche de neurones. Geoffrey Hinton, de l’Université de Toronto, a inventé le terme « deep learning » en 2006. Ensuite, les médias et les réseaux sociaux s’en sont emparés. L’apprentissage profond est en quelque sorte la nouvelle image de marque des réseaux de neurones.
L’apprentissage profond fait partie d’une famille plus large de méthodes d’apprentissage automatique basée sur des réseaux de neurones artificiels à plus d'une couche de neurones. Geoffrey Hinton, de l’Université de Toronto, a inventé le terme « deep learning » en 2006. Ensuite, les médias et les réseaux sociaux s’en sont emparés. L’apprentissage profond est en quelque sorte la nouvelle image de marque des réseaux de neurones.


Des architectures d’apprentissage profond, telles que les[https://datafranca.org/wiki/R%C3%A9seau_de_neurones_profond réseau de neurones profond]], les réseaux récurrents, les [https://datafranca.org/wiki/R%C3%A9seau_de_neurones_convolutifs réseaux convolutifs] issus des travaux de Yann Lecun, et les réseaux auto-attentifs souvent appelés « transformers » ont été appliquées à divers domaines tels que la vision par ordinateur, la reconnaissance de la parole, le traitement automatique de la langue, la reconnaissance audio, le filtrage des réseaux sociaux, la bioinformatique, la conception de médicaments, l’analyse d’images médicales et l’inspection des matériaux. Dans beaucoup de ces activités, l'apprentissage profond a donné des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.
Des architectures d’apprentissage profond, telles que les [https://datafranca.org/wiki/R%C3%A9seau_de_neurones_profond réseau de neurones profond]], les [https://datafranca.org/wiki/R%C3%A9seau_de_neurones_r%C3%A9currents réseaux récurrents], les [https://datafranca.org/wiki/R%C3%A9seau_de_neurones_convolutifs réseaux convolutifs] issus des travaux de Yann Lecun, et les [https://datafranca.org/wiki/R%C3%A9seau_de_neurones_auto-attentifs réseaux auto-attentifs] souvent appelés « transformers » ont été appliquées à divers domaines tels que la vision par ordinateur, la reconnaissance de la parole, le traitement automatique de la langue, la reconnaissance audio, le filtrage des réseaux sociaux, la bioinformatique, la conception de médicaments, l’analyse d’images médicales et l’inspection des matériaux. Dans beaucoup de ces activités, l'apprentissage profond a donné des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.
 
Des architectures d’apprentissage profond, telles que réseaux de neurones profonds,  réseaux de '''[https://datafranca.org/wiki/R%C3%A9seau_de_neurones_r%C3%A9current neurones récurrents]''' et réseaux de '''[https://datafranca.org/wiki/R%C3%A9seau_de_neurones_convolutif neurones convolutifs]''' ont été appliquées à des domaines tels que la vision par ordinateur, la reconnaissance de la parole, le traitement du langage naturel, la reconnaissance audio, le filtrage des réseaux sociaux, la traduction automatique, la bioinformatique, la conception de médicaments, l’analyse d’images médicales, l’inspection des matériaux et les programmes de jeux de société où ils ont produit des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.


Par exemple, l’apprentissage profond a permis à un ordinateur de vaincre un champion mondial du jeu de Go, et d’atteindre une qualité qui s’approche de celle de l’humain dans la traduction de textes.
<hr/>
<hr/>
Complément:
Complément:
Ligne 56 : Ligne 55 :
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]
[[Catégorie:101]]
[[Catégorie:PUBLICATION]]

Version du 3 août 2022 à 16:40

Définition

L’apprentissage profond fait partie d’une famille plus large de méthodes d’apprentissage automatique basée sur des réseaux de neurones artificiels à plus d'une couche de neurones. Geoffrey Hinton, de l’Université de Toronto, a inventé le terme « deep learning » en 2006. Ensuite, les médias et les réseaux sociaux s’en sont emparés. L’apprentissage profond est en quelque sorte la nouvelle image de marque des réseaux de neurones.

Des architectures d’apprentissage profond, telles que les réseau de neurones profond], les réseaux récurrents, les réseaux convolutifs issus des travaux de Yann Lecun, et les réseaux auto-attentifs souvent appelés « transformers » ont été appliquées à divers domaines tels que la vision par ordinateur, la reconnaissance de la parole, le traitement automatique de la langue, la reconnaissance audio, le filtrage des réseaux sociaux, la bioinformatique, la conception de médicaments, l’analyse d’images médicales et l’inspection des matériaux. Dans beaucoup de ces activités, l'apprentissage profond a donné des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.

Par exemple, l’apprentissage profond a permis à un ordinateur de vaincre un champion mondial du jeu de Go, et d’atteindre une qualité qui s’approche de celle de l’humain dans la traduction de textes.


Complément:

L'apprentissage profond peut être supervisé, semi-supervisé ou non supervisé.

Français

apprentissage profond

apprentissage en profondeur

Anglais

deep learning

deep machine learning

deep structured learning


Source: LaTribune.fr

Source: OpenClassroom


Note : apprentissage profond est une désignation publiée au Journal officiel de la République française le 9 décembre 2018.


Compléments vidéos