Apprentissage profond
Définition
L'apprentissage profond utilise des réseaux de neurones avec de nombreuses couches pour apprendre des représentations hiérarchiques à partir de données. Il a stimulé les progrès en vision, langage et autres domaines en mettant à l'échelle données et calcul.
Il étend l'apprentissage automatique en utilisant des modèles différentiables en couches (voir réseaux de neurones) qui apprennent automatiquement les caractéristiques au lieu de les concevoir manuellement. La profondeur permet au modèle de construire des représentations de plus en plus abstraites (p. ex. bords → textures → parties → objets en vision).
Comment ça marche
Les données sont envoyées dans la première couche ; chaque couche applique une transformation linéaire suivie d'une non-linéarité (p. ex. ReLU). L'empilement de couches produit une représentation (embedding) qui devient plus abstraite dans les couches profondes. La dernière couche projette vers la sortie (p. ex. scores de classes ou tokens). L'entraînement utilise la rétropropagation pour calculer les gradients et la descente de gradient pour mettre à jour les poids. Les architectures (CNN pour les images, RNN pour les séquences, Transformers pour les deux) adaptent la connectivité et les opérations aux données et à la tâche.
Cas d'utilisation
L'apprentissage profond est le standard pour la perception et la génération quand les données sont abondantes et les tâches complexes.
- Reconnaissance d'images, détection d'objets et segmentation (vision)
- Reconnaissance vocale, traduction automatique et génération de texte (langage)
- Jeux, contrôle robotique et simulation (apprentissage par renforcement)
Documentation externe
- Deep Learning (Goodfellow et al.) — Livre en ligne gratuit
- PyTorch – Introduction — Apprentissage profond pratique