« Apprentissage profond » : différence entre les versions

Dernière version du 30 août 2024 à 13:57

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.

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.

Des architectures d’apprentissage profond, telles que :

les réseaux de neurones profonds;
les réseaux récurrents;
les réseaux convolutifs issus des travaux de Yann LeCun;
les réseaux autoattentifs souvent appelés « transformers ».

ont été appliquées à divers domaines tels que :

la vision artificielle;
le traitement automatique de la langue;
le dialogue personne-machine;
la reconnaissance de la parole;
la reconnaissance audio;
la génération de textes;
la génération d'images;
le filtrage des réseaux sociaux;
la bio-informatique;
la synthèse de médicaments;
l’analyse d’images médicales;
l’inspection des matériaux.

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.

Compléments

L’organisation typique d’un réseau de neurones, aussi appelée architecture multicouche, consiste en une superposition de couches de neurones (neuron layers). Le réseau à une seule couche cachée était la seule architecture de réseau de neurones que l’on savait entraîner efficacement jusque vers la fin des années 1990.

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.

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 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.

Les représentations successives sont de complexité grandissante au fur et à mesure que l’on ajoute des couches au réseau. Par exemple, en vision artificielle, les premières couches apprennent à reconnaître des concepts visuels de base comme des points, des lignes, des contours, des taches, des textures. Les couches suivantes vont combiner ces concepts pour former des figures géométriques à la base de représentations plus complexes comme des yeux, des nez, des bouches pour finir en dernière couche avec la reconnaissance d’un visage.

Les dernières avancées technologiques, en termes d’architecture de réseau profond, reposent sur le mécanisme d’attention, plus précisément l’auto-attention, pour remplacer à la fois la récurrence et les convolutions. Plus connus sous le vocable « Transformers » emprunté au cinéma d’animation des années 80, les réseaux auto-attentifs sont issus des travaux pionniers du laboratoire MILA dirigé par Yoshua Bengio de l’Université de Montréal qui ont défini un premier mécanisme d’attention utilisé en traduction automatique neuronale.

Pour leurs travaux sur l’apprentissage profond, les chercheurs Geoffrey Hinton, Yann LeCun et Yoshua Bengio ont reçu le Prix Turing en 2018.

Français

apprentissage profond

apprentissage de représentations

apprentissage en profondeur

Anglais

deep learning

deep machine learning

deep structured learning

learning representations

Sources

Source: LaTribune.fr

Source: OpenClassroom

Source: Wikipedia, Apprentissage profond.

Source : TERMIUM Plus

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

101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »

@@ Ligne 1 : / Ligne 1 : @@
+==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.
-== Domaine ==
+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'''.
-[[category:Vocabulaire]]Vocabulaire<br />
-[[category:Apprentissage profond ]]Apprentissage profond
+Des architectures d’apprentissage profond, telles que :
-== Définition ==
+* les [[réseau de neurones profond|réseaux de neurones profonds;]]
+* les [[réseau de neurones récurrents|réseaux récurrents;]]
+* les [[réseau de neurones convolutifs|réseaux convolutifs]] issus des travaux de Yann LeCun;
+* les [[réseau autoattentif|réseaux autoattentifs]] souvent appelés « ''transformers'' ».
-Méthode de machine learning faisant partie du champ de recherche "Apprentissage Automatique" de l'intelligence artificielle. Le deep learning permet un apprentissage non supervisé. Il s'appuie sur l'analyse d'un modèle de données. Il est notamment adapté à la reconnaissance d'image ou au traitement du langage naturel.
+ont été appliquées à divers domaines tels que :
-== Termes privilégiés ==
+* la [[vision artificielle]];
+* le [[traitement automatique de la langue|traitement automatique de la langue]];
+* le [[dialogue personne-machine]];
+* la [[reconnaissance automatique de la parole|reconnaissance de la parole]];
+* la [[reconnaissance audio]];
+* la [[génération automatique de textes|génération de textes]];
+* la [[génération texte-à-image|génération d'images]];
+* le filtrage des réseaux sociaux;
+* la bio-informatique;
+* la synthèse de médicaments;
+* l’analyse d’images médicales;
+* l’inspection des matériaux.
-===Apprentissage profond===
+Dans beaucoup de ces domaines, l’apprentissage profond a donné des résultats comparables, voire parfois supérieurs, à ceux d’experts humains.
-== Anglais ==
+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.
-===Deep learning===
-Deep learning (also known as deep structured learning or hierarchical learning) is part of a broader family of machine learning methods based on learning data representations, as opposed to task-specific algorithms. Learning can be supervised, semi-supervised or unsupervised.[1][2][3]
+==Compléments==
-Deep learning models are loosely related to information processing and communication patterns in a biological nervous system, such as neural coding that attempts to define a relationship between various stimuli and associated neuronal responses in the brain.[4]
+L’organisation typique d’un réseau de neurones, aussi appelée architecture multicouche, consiste en une superposition de couches de neurones (neuron layers). Le réseau à une seule couche cachée était la seule architecture de réseau de neurones que l’on savait entraîner efficacement jusque vers la fin des années 1990.
-Deep learning architectures such as deep neural networks, deep belief networks and recurrent neural networks have been applied to fields including computer vision, speech recognition, natural language processing, audio recognition, social network filtering, machine translation, bioinformatics and drug design,[5] where they have produced results comparable to and in some cases superior[6] to human experts.[7]
+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/>
+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.
+Les représentations successives sont de complexité grandissante au fur et à mesure que l’on ajoute des couches au réseau. Par exemple, en vision artificielle, les premières couches apprennent à reconnaître des concepts visuels de base comme des points, des lignes, des contours, des taches, des textures. Les couches suivantes vont combiner ces concepts pour former des figures géométriques à la base de représentations plus complexes comme des yeux, des nez, des bouches pour finir en dernière couche avec la reconnaissance d’un visage.
+<hr/>
+Les dernières avancées technologiques, en termes d’architecture de réseau profond, reposent sur le mécanisme d’attention, plus précisément l’auto-attention, pour remplacer à la fois la récurrence et les convolutions. Plus connus sous le vocable « Transformers » emprunté au cinéma d’animation des années 80, les réseaux auto-attentifs sont issus des travaux pionniers du laboratoire MILA dirigé par Yoshua Bengio de l’Université de Montréal qui ont défini un premier mécanisme d’attention utilisé en traduction automatique neuronale.
+Pour leurs travaux sur l’apprentissage profond, les chercheurs Geoffrey Hinton, Yann LeCun et Yoshua Bengio ont reçu le Prix Turing en 2018.
+==Français==
+'''apprentissage profond'''
+'''apprentissage de représentations'''
+'''apprentissage en profondeur'''
+==Anglais==
+'''deep learning'''
+'''deep machine learning'''
+'''deep structured learning'''
+'''learning representations'''
+==Sources==
+Source: [https://www.latribune.fr/opinions/tribunes/intelligence-artificielle-les-defis-de-l-apprentissage-profond-815088.html LaTribune.fr]
+Source: [https://openclassrooms.com/fr/courses/4011851-initiez-vous-au-machine-learning/4011858-identifez-les-differentes-etapes-de-modelisation OpenClassroom]
+*[https://fr.wikipedia.org/wiki/Apprentissage_profond Source: Wikipedia, ''Apprentissage profond''.]
+*[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=APPRENTISSAGE+PROFOND&index=alt&codom2nd_wet=1#resultrecs Source : TERMIUM Plus]
+Note :  apprentissage profond est une désignation publiée au Journal officiel de la République française le 9 décembre 2018.
+</small><br>
+{{Modèle:101}}
+{{Modèle:GDT}}
+[[Catégorie:GDT]]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
+[[Catégorie:101]]

« Apprentissage profond » : différence entre les versions