« 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 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. | ||
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
- FORMATION DEEP LEARNING COMPLETE (2021)
- Practical Deep Learning for Coders
- A friendly introduction to deep reinforcement learning
- What is Deep Learning and What is it Used For?
- MIT 6.S191 (2020): Introduction to Deep Learning
- Deep Learning State of the Art
- AI 101: What is Deep Learning?
- Deep Learning In 5 Minutes
- Deep Learning Crash Course for Beginners
- Neural Network Architectures & Deep Learning
Contributeurs: Claude Coulombe, Gérard Pelletier, Jacques Barolet, wiki, Robert Meloche