Apprentissage profond - Historique des versions

Pitpitt le 18 avril 2026 à 15:19

2026-04-18T15:19:50Z

← Version précédente		Version du 18 avril 2026 à 11:19
Ligne 62 :		Ligne 62 :

	'''learning representations'''		'''learning representations'''

			Geoffrey Hinton of the University of Toronto coined the term “deep learning” in 2006. Then the media and social networks got hold of it. Deep learning is a kind of new branding for neural networks.
			Deep learning is part of a family of machine learning methods based on artificial neural networks that comprise several hidden layers of neurons. Deep learning can be supervised, semi-supervised, unsupervised or reinforcement-based.
			Deep learning architectures such as :
			- deep neural networks;
			- recurrent networks;
			- convolutional networks based on the work of Yann LeCun;
			- transformers,
			have been applied to a variety of fields, including :
			- computer vision;
			- natural language processing;
			- human-machine dialogue;
			- speech recognition
			- audio recognition;
			- text generation;
			- image generation;
			- social network filtering;
			- bioinformatics;
			- drug synthesis;
			- medical image analysis;
			- materials inspection.

			In many of these fields, deep learning has produced results comparable to, and sometimes even superior to, those of human experts.
			For example, deep learning has enabled a computer to beat a world champion in the game of Go, and to achieve a level of quality in text translation that is comparable to that of human experts.


	==Español==		==Español==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:58:19Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:58
Ligne 64 :		Ligne 64 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' aprendizaje profundo '''''		''''' aprendizaje profundo '''''

Jean-Sébastien Zavalone le 21 juillet 2025 à 19:14

2025-07-21T19:14:52Z

← Version précédente		Version du 21 juillet 2025 à 15:14
Ligne 62 :		Ligne 62 :

	'''learning representations'''		'''learning representations'''

			==Español==

			''''' aprendizaje profundo '''''

			''Geoffrey Hinton, de la Universidad de Toronto, acuñó el término «aprendizaje profundo» en 2006. Después, los medios de comunicación y las redes sociales se apoderaron de él. En cierto modo, el aprendizaje profundo es la nueva imagen de marca de las redes neuronales.''

			''El aprendizaje profundo forma parte de una familia de métodos de aprendizaje automático basados en redes neuronales artificiales con varias capas ocultas de neuronas. El aprendizaje profundo puede ser supervisado, semisupervisado, no supervisado o basado en el refuerzo.''


	==Sources==		==Sources==

Arianne le 14 janvier 2025 à 01:30

2025-01-14T01:30:29Z

← Version précédente		Version du 13 janvier 2025 à 21:30
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	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 ~~emparé~~. L’apprentissage profond est en quelque sorte la nouvelle image de marque des [[Réseau de neurones artificiels\|réseaux 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 [[Réseau de neurones artificiels\|réseaux de neurones]].

	L’apprentissage profond fait partie d’une famille de méthodes d’apprentissage automatique fondée sur des réseaux de neurones artificiels qui comportent plusieurs couches cachées de neurones. L’apprentissage profond peut être [[Apprentissage supervisé\|supervisé]], [[Appretissage semi-supervisé\|semi-supervisé]], [[Apprentissage non supervisé\|non supervisé]] ou [[Apprentissage par renforcement\|par renforcement]].		L’apprentissage profond fait partie d’une famille de méthodes d’apprentissage automatique fondée sur des réseaux de neurones artificiels qui comportent plusieurs couches cachées de neurones. L’apprentissage profond peut être [[Apprentissage supervisé\|supervisé]], [[Appretissage semi-supervisé\|semi-supervisé]], [[Apprentissage non supervisé\|non supervisé]] ou [[Apprentissage par renforcement\|par renforcement]].

Arianne le 11 janvier 2025 à 23:30

2025-01-11T23:30:51Z

← Version précédente		Version du 11 janvier 2025 à 19:30
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==

	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 emparé. L’apprentissage profond est en quelque sorte la nouvelle image de marque des réseaux 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 emparé. L’apprentissage profond est en quelque sorte la nouvelle image de marque des [[Réseau de neurones artificiels\|réseaux de neurones]].

	L’apprentissage profond fait partie d’une famille de méthodes d’apprentissage automatique fondée sur des réseaux de neurones artificiels qui comportent plusieurs couches cachées de neurones. L’apprentissage profond peut être ~~'''~~supervisé~~'''~~, ~~'''~~semi-supervisé~~'''~~, ~~'''~~non supervisé~~'''~~ ou ~~'''~~par renforcement~~'''~~.		L’apprentissage profond fait partie d’une famille de méthodes d’apprentissage automatique fondée sur des réseaux de neurones artificiels qui comportent plusieurs couches cachées de neurones. L’apprentissage profond peut être [[Apprentissage supervisé\|supervisé]], [[Appretissage semi-supervisé\|semi-supervisé]], [[Apprentissage non supervisé\|non supervisé]] ou [[Apprentissage par renforcement\|par renforcement]].

	Des architectures d’apprentissage profond, telles que :		Des architectures d’apprentissage profond telles que :

	* les [[réseau de neurones profond\|réseaux de neurones profonds;]]		* les [[réseau de neurones profond\|réseaux de neurones profonds;]]
Ligne 29 :		Ligne 29 :
	Dans beaucoup de ces domaines, l’apprentissage profond a donné des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.		Dans beaucoup de ces domaines, 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 dans la traduction de textes une qualité qui s’approche de celle de l’humain.		Par exemple, l’apprentissage profond a permis à un ordinateur de vaincre un champion mondial du jeu de Go, et d’atteindre, dans la traduction de textes, une qualité qui s’approche de celle de l’humain.

	==Compléments==		==Compléments==

Pitpitt le 5 janvier 2025 à 16:20

2025-01-05T16:20:22Z

← Version précédente		Version du 5 janvier 2025 à 12:20
Ligne 9 :		Ligne 9 :
	* les [[réseau de neurones profond\|réseaux de neurones profonds;]]		* les [[réseau de neurones profond\|réseaux de neurones profonds;]]
	* les [[réseau de neurones récurrents\|réseaux récurrents;]]		* les [[réseau de neurones récurrents\|réseaux récurrents;]]
	* les [[réseau de neurones convolutifs\|réseaux convolutifs]] issus des travaux de Yann LeCun;		* les [[réseau de neurones convolutifs\|réseaux convolutifs]] issus des travaux de Yann LeCun;
	* les [[réseau autoattentif\|réseaux autoattentifs]] souvent appelés « ''transformers'' ».		* les [[réseau autoattentif\|réseaux autoattentifs]] souvent appelés « ''transformers'' »,

	ont été appliquées à divers domaines tels que :		ont été appliquées à divers domaines tels que :

Pitpitt : Remplacement de texte : « ↵↵==Sources== » par «  ==Sources== »

2024-08-30T18:57:37Z

Remplacement de texte : « ↵↵==Sources== » par «  ==Sources== »

← Version précédente		Version du 30 août 2024 à 14:57
Ligne 62 :		Ligne 62 :

	'''learning representations'''		'''learning representations'''

	==Sources==		==Sources==

Pitpitt le 1 juillet 2024 à 23:54

2024-07-01T23:54:33Z

← Version précédente		Version du 1 juillet 2024 à 19:54
Ligne 84 :		Ligne 84 :
	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]
	~~[[Catégorie:publication]]~~

Claude COULOMBE le 30 juin 2024 à 00:44

2024-06-30T00:44:46Z

← Version précédente		Version du 29 juin 2024 à 20:44
Ligne 48 :		Ligne 48 :

	==Français==		==Français==
	'''apprentissage profond'''		'''apprentissage profond'''

	'''apprentissage en profondeur '''		'''apprentissage de représentations'''

			'''apprentissage en profondeur'''

	==Anglais==		==Anglais==
Ligne 58 :		Ligne 60 :

	'''deep structured learning'''		'''deep structured learning'''

			'''learning representations'''

	==Sources==		==Sources==

Claude COULOMBE le 30 juin 2024 à 00:42

2024-06-30T00:42:37Z

← Version précédente		Version du 29 juin 2024 à 20:42
Ligne 37 :		Ligne 37 :
	Le nombre de couches cachées définit la notion de profondeur d’un réseau de neurones. Techniquement, un réseau de neurones profond est un réseau qui comporte plus d’une couche cachée de neurones. C’est-à-dire, deux couches cachées ou davantage.		Le nombre de couches cachées définit la notion de profondeur d’un réseau de neurones. Techniquement, un réseau de neurones profond est un réseau qui comporte plus d’une couche cachée de neurones. C’est-à-dire, deux couches cachées ou davantage.
	<hr/>		<hr/>
	Un terme plus exact pour désigner l’apprentissage profond serait « [[apprentissage de représentations]] », ou encore « apprentissage hiérarchique ». Rappelons que [[représentation]] est un terme générique qui désigne l’état d’une réalité (une connaissance) au moyen de données. Enfin, on rencontre parfois le « [[apprentissage d'attributs\|apprentissage des attributs]] ».		Un terme plus exact pour désigner l’apprentissage profond serait « [[apprentissage de représentations]] », ou encore « apprentissage hiérarchique ». Rappelons que [[représentation]] est un terme générique qui désigne l’état d’une réalité (une connaissance) au moyen de données. Enfin, on rencontre parfois l'expression « [[apprentissage d'attributs\|apprentissage des attributs]] » pour désigner l'apprentissage profond.

	D’un point de vue pratique, une couche de neurones reçoit une représentation en entrée qu’elle transforme pour produire une représentation en sortie.		D’un point de vue pratique, une couche de neurones reçoit une représentation en entrée qu’elle transforme pour produire une représentation en sortie.

← Version précédente		Version du 5 janvier 2025 à 12:20
Ligne 9 :		Ligne 9 :
	* les [[réseau de neurones profond\|réseaux de neurones profonds;]]		* les [[réseau de neurones profond\|réseaux de neurones profonds;]]
	* les [[réseau de neurones récurrents\|réseaux récurrents;]]		* les [[réseau de neurones récurrents\|réseaux récurrents;]]
	* les [[réseau de neurones convolutifs\|réseaux convolutifs]] issus des travaux de Yann LeCun;		* les [[réseau de neurones convolutifs\|réseaux convolutifs]] issus des travaux de Yann LeCun;
	* les [[réseau autoattentif\|réseaux autoattentifs]] souvent appelés « ''transformers'' ».		* les [[réseau autoattentif\|réseaux autoattentifs]] souvent appelés « ''transformers'' »,

	ont été appliquées à divers domaines tels que :		ont été appliquées à divers domaines tels que :